ChatGPT平替「小羊駝」Mac可跑！2行代碼單GPU，UC伯克利再發70億參數開源模型

來源：新智元
編輯：桃子 好睏

130億參數模型權重公布不久，UC伯克利LMSys org再次發布了70億參數「小羊駝」。同在今天，Hugging Face也發布了70億參數模型StackLLaMA。

自從Meta發布「開源版ChatGPT」LLaMA之後，學界可謂是一片狂歡。

先是斯坦福提出了70億參數Alpaca，緊接着又是UC伯克利聯手CMU、斯坦福、UCSD和MBZUAI發布的130億參數Vicuna，在超過90%的情況下實現了與ChatGPT和Bard相匹敵的能力。

今天，「卷王」UC伯克利LMSys org又發布了70億參數的Vicuna——

不僅體積小、效率高、能力強，而且只需兩行命令就能在M1/M2芯片的Mac上運行，還能開啟GPU加速！

項目地址：https://github.com/lm-sys/FastChat/#fine-tuning

恰在今天，Hugging Face的研究人員也發布了一個70億參數的模型——StackLLaMA。這是一個通過人類反饋強化學習在LLaMA-7B微調而來的模型。

Vicuna-7B：真·單GPU，Mac就能跑

距離模型的發布不到一周，UC伯克利LMSys org便公布了Vicuna-13B的權重。

其中，單GPU運行需要大約28GB的顯存，而在僅用CPU的情況下需要大約60GB的內存。

而這次發布的70億參數版本，則要小巧得多——需求直接砍半。

也就是說，用單個GPU運行Vicuna-7B，只需14GB+顯存；而純CPU運行的話，則只需30GB+內存。

不僅如此，我們還可以通過Metal後端，在配備了蘋果自研芯片或者AMD GPU的Mac上啟用GPU加速。

之前在13B模型發布時，有不少網友吐槽道：

我以為的單個GPU：4090
實際上的單個GPU：28GB顯存及以上

現在，這個問題也有了新的解決方案——利用8位壓縮直接減少一半左右的內存用量，只不過模型的質量會略有下降。

13B模型28GB顯存瞬間變14GB；7B模型14GB顯存瞬間變7GB，有沒有！（但由於activation的緣故，實際佔用會比這個高）

對此，LMSys org的研究人員表示，如果遇到內存或顯存不夠用的情況，可以通過在上述命令中加入–load-8bit來啟用8位壓縮。

而且，無論是CPU、GPU還是Metal，是7B模型還是13B模型，通通適用。

python3 -m fastchat.serve.cli --model-name /path/to/vicuna/weights --load-8bit

StackLLaMA：超全RLHF訓練教程

今天，Hugging Face研究人員發布了一篇博客StackLLaMA：用RLHF訓練LLaMA的實踐指南。

當前大型語言模型ChatGPT、GPT-4和Claude都使用了人類反饋強化學習（RLHF）來微調模型的行為，以產生更符合用戶意圖的響應。

在此，HF研究者通過以下方式組合使用，訓練了LlaMa模型使用RLHF回答Stack Exchange上的所有步驟：

· 監督微調 (SFT)

· 獎勵/偏好建模(RM)

· 人類反饋強化學習 (RLHF)

要注意了！

訓練StackLLaMA的主要目標是提供一個教程和指南，介紹如何使用RLHF來訓練模型，而不是主要關注模型的性能表現。

換句話說，該模型在生成答案方面非常滑稽，比如問它「我的花園裡有一隻駱駝，怎樣才能把它趕走？」

StackLLaMA最後給出的一個總括「如果以上方法都不奏效，就要召集增援了。如果有不止一個人想抓住這個奇特的小傢伙，為什麼不召集一個團隊呢？齊心協力，集中力量，這個問題應該很快就解決了」。

在進行RLHF時，最重要的是從一個強有力的模型開始。因為RLHF只是一個微調步驟，以便讓模型與我們期望的互動方式和響應方式相一致。

當前，Meta開源的LLaMA模型參數大小從7B到65B不等，並且在1T到1.4T的token上進行了訓練，是目前開源比較強大的模型。

因此，研究人員使用7B模型作為後續微調的基礎。

在數據集選用上，研究人員使用了StackExchange數據集，包括所有的問題和答案（還有StackOverflow和其他主題）。

選用該數據集的好處是，答案伴隨着點贊數和接受答案的標籤一起給出。

研究人員根據A General Language Assistant as a Laboratory for Alignment論文中描述的方法，給每個答案打分：

score = log2 (1 + upvotes) rounded to the nearest integer, plus 1 if the questioner accepted the answer (we assign a score of −1 if the number of upvotes is negative).

對於獎勵模型，始終需要每個問題兩個答案來進行比較。

而有些問題有幾十個答案，導致可能存在許多的可選對。因此，研究者對每個問題最多採樣十個答案對，以限制每個問題的數據點數。

最後，通過將HTML轉換為Markdown來清除格式，使模型輸出更可讀。

訓練策略

即使訓練最小的LLaMA模型也需要大量的內存。通過計算7B 參數模型將使用(2+8)*7B=70GB 內存空間。當計算注意力分數等中間值時，可能需要更多。因此，即使在單個80GB的A100上也無法訓練該模型。

一種方法是使用更高效的優化器和半精度訓練，將更多信息壓縮到內存中，但內存仍舊不夠用。

另一種選擇是使用參數高效微調(PEFT)技術，例如PEFT庫，它可以在8位模型上執行低秩適應(LoRA)。

線性層的低秩適應: 在凍結層（藍色）旁邊添加額外參數（橙色），並將結果編碼的隱藏狀態與凍結層的隱藏狀態相加。

以8位加載模型大大減少了內存佔用，因為每個參數只需要一個字節的權重。比如，7B LLaMA在內存中是7 GB。

LoRA不直接訓練原始權重，而是在一些特定的層 (通常是注意力層) 上添加小的適配器層，因此可訓練參數的數量大大減少。

在這種情況下，一個經驗法則是為每十億參數分配約1.2-1.4GB的內存（取決於批次大小和序列長度），以適應整個微調設置。

這可以以較低成本微調更大的模型（在NVIDIA A100 80GB上訓練高達50-60B規模的模型）。這些技術已經能夠在消費級設備，比如樹莓派、手機，和GoogleColab上對大型模型進行微調。

研究人員發現儘管現在可以把非常大的模型放入當個GPU中，但是訓練可能仍然非常緩慢。

在此，研究人員使用了數據并行策略：將相同的訓練設置複製到單個GPU中，並將不同的批次傳遞給每個GPU。

監督微調

在開始訓練獎勵模型並使用RL調整模型之前，若要模型在任何情況下遵循指令，便需要指令調優。

實現這一點最簡單的方法是，使用來自領域或任務的文本繼續訓練語言模型。

為了有效地使用數據，研究者使用一種稱為「packing」的技術：在文本之間使用一個EOS標記連接許多文本，並切割上下文大小的塊以填充批次，而無需任何填充。

通過這種方法，訓練效率更高，因為通過模型的每個token也進行了訓練。

獎勵建模和人類偏好

原則上，研究人員可以使用RLHF直接通過人工標註對模型進行微調。然而，這需要在每次優化迭代之後將一些樣本發送給人類進行評級。

由於需要大量的訓練樣本來實現收斂，人類閱讀和標註速度固有的延遲，不僅昂貴，還非常緩慢。

因此，研究人員在RL調整模型之前，在收集的人工標註上訓練一個獎勵模型。獎勵建模的目的是模仿人類對文本的評價，這一方法比直接反饋更有效。

在實踐中，最好的方法是預測兩個示例的排名，獎勵模型會根據提示X提供兩個候選項

並且必須預測哪一個會被人類標註員評價更高。

通過StackExchange 數據集，研究人員根據分數推斷出用戶更喜歡這兩個答案中的哪一個。有了這些信息和上面定義的損失，就可以修改transformers.Trainer 。通過添加一個自定義的損失函數進行訓練。

class RewardTrainer(Trainer):def compute_loss(self, model, inputs, return_outputs=False):        rewards_j = model(input_ids=inputs["input_ids_j"],  attention_mask=inputs["attention_mask_j"])[0]        rewards_k = model(input_ids=inputs["input_ids_k"], attention_mask=inputs["attention_mask_k"])[0]        loss = -nn.functional.logsigmoid(rewards_j - rewards_k).mean()        if return_outputs:            return loss, {"rewards_j": rewards_j, "rewards_k": rewards_k}        return loss

研究人員利用100,000對候選子集，並在50,000對候選的支持集上進行評估。

訓練通過Weights & Biases進行記錄，在8-A100 GPU上花費了幾個小時，模型最終的準確率為67%。

雖然這聽起來分數不高，但是這個任務對於人類標註員來說也非常困難。

人類反饋強化學習

有了經過微調的語言模型和獎勵模型，現在可以運行RL循環，大致分為以下三個步驟:

· 根據提示生成響應

· 根據獎勵模型對回答進行評分

· 對評級進行強化學習策略優化

在對查詢和響應提示進行標記並傳遞給模型之前，模板如下。同樣的模版也適用於SFT，RM 和RLHF階段。

Question: Answer:

使用RL訓練語言模型的一個常見問題是，模型可以通過生成完全胡言亂語來學習利用獎勵模型，從而導致獎勵模型得到不合實際的獎勵。

為了平衡這一點，研究人員在獎勵中增加了一個懲罰：保留一個沒有訓練的模型進行參考，並通過計算 KL散度將新模型的生成與參考模型的生成進行比較。

在訓練期間對每個步驟進行批次獎勵，模型的性能在大約1000個步驟后趨於穩定。

參考資料：

We’re releasing Vicuna-7B: small, efficient, yet capable.

💻 MacBook users can simply "pip install fschat" and run Vicuna-7B with GPU acceleration on M1 chips!

code: https://t.co/cPdf1rjaPv
weights: https://t.co/MnNa9zaNUI pic.twitter.com/UcNPTIiM7h

— lmsys.org (@lmsysorg) April 6, 2023

https://huggingface.co/blog/stackllama