建造网站过程,tooopen素材公社,淮南网站建设 飞沐,国内免费发布产品的平台无论是开源的LLaMA 2还是闭源的GPT系列模型#xff0c;功能虽然很强大#xff0c;但对语言的支持和扩展比较差#xff0c;例如#xff0c;二者都是以英语为主的大模型。
为了提升大模型语言的多元化#xff0c;慕尼黑大学、赫尔辛基大学等研究人员联合开源了#xff0c;…无论是开源的LLaMA 2还是闭源的GPT系列模型功能虽然很强大但对语言的支持和扩展比较差例如二者都是以英语为主的大模型。
为了提升大模型语言的多元化慕尼黑大学、赫尔辛基大学等研究人员联合开源了目前支持语言最多的大模型之一MaLA-500。
MaLA-500以LLaMA 2为基础模型再用多语言数据库Glot500-c进行语言扩展训练支持语言达到了惊人的534种。
开源地址https://huggingface.co/MaLA-LM/mala-500
论文地址https://arxiv.org/abs/2401.13303 训练数据
研究人员选用了开源数据集Glot500-c对MaLA-500进行了语言扩展训练。该数据集包含了534种语言,涵盖47种不同种族语言,数据量高达2万亿tokens。
研究人员表示选择Glot500-c数据集的原因在于,可以大幅扩展现有语言模型的语言覆盖范围,并包含极其丰富的语言家族,这对于模型学习语言内在的语法和语义规律帮助巨大。
此外,虽然一些高资源语言的比例相对较低,但Glot500-c的整体数据量对训练大规模语言模型而言足够用。在后续的预处理中,又对语料数据集进行了加权随机采样,以增加低资源语言在训练数据中的比例,让模型更加聚焦特定语言。
基础模型LLaMA 2
MaLA-500选择了目前最知名的开源大语言模型之一LLaMA 2-7B作为基础模型并进行了两大技术点创新。
1增强词汇表研究人员通过Glot500-c数据集训练了一个多语言分词器,将LLaMA 2的原英文词汇表扩展到了260万,大幅增强了模型对非英语和低资源语言的适配能力。 2模型增强使用了LoRA技术在LLaMA 2的基础上进行低秩适配。只训练适配矩阵而冻结基础模型权重,可以高效地实现模型在新语言上的持续学习能力同时保留模型原有的知识。
训练流程
训练方面研究人员用了24张N卡A100 GPU进行训练并使用了包括Transformers、PEFT和DeepSpeed三个主流深度学习框架。
其中,DeepSpeed提供了分布式训练的支持,可以实现模型并行;PEFT实现了高效的模型微调;Transformers提供了模型功能的实现例如文本生成、提示词理解等。
为了提升训练的高效性MaLA-500还使用了各种显存和计算优化算法,如ZeRO冗余优化器,可最大化利用GPU算力资源;以及混合精度训练的bfloat16数格式加速训练流程。
此外研究人员还对模型参数进行了大量优化使用了学习率为2e-4的常规SGD训练,并使用了0.01的L2权重衰减以防止模型过大出现过拟合、内容输出不稳定等情况。 为了测试MaLA-500的性能研究人员在SIB-200等数据集上进行了综合实验。
结果显示相比原始LLaMA 2模型,MaLA-500在主题分类等评测任务上的准确率提高了12.16%这说明MaLA-500的多语言优于现有的众多开源大语言模型。
本文素材来源MaLA-500论文如有侵权请联系删除
END
