艾倫人工智能研究所等 5 機構最近公布了史上最全的開源模型「OLMo」，公開了模型的模型權重、完整訓練代碼、數(shù)據(jù)集和訓練過程，為以后開源社區(qū)的工作設立了新的標桿。

多年來，語言模型一直是自然語言處理（NLP）技術的核心，考慮到模型背后的巨大商業(yè)價值，最大最先進的模型的技術細節(jié)都是不公開的。

現(xiàn)在，真?完全開源的大模型來了！

來自艾倫人工智能研究所、華盛頓大學、耶魯大學、紐約大學和卡內(nèi)基梅隆大學的研究人員，聯(lián)合發(fā)表了一項足以載入 AI 開源社區(qū)史冊的工作 ——

他們幾乎將從零開始訓練一個大模型過程中的一切數(shù)據(jù)和資料都開源了！

具體來說，艾倫人工智能研究所推出的這個開放大語言模型（Open Language Model，OLMo）實驗和訓練平臺，則提供了一個完全開源的大模型，以及所有和訓練開發(fā)這個模型有關的數(shù)據(jù)和技術細節(jié) ——

訓練和建模：它包括完整的模型權重、訓練代碼、訓練日志、消融研究、訓練指標和推理代碼。

預訓練語料：一個包含了高達 3T token 的預訓練開源語料庫，以及產(chǎn)生這些訓練數(shù)據(jù)的代碼。

模型參數(shù)：OLMo 框架提供了四個不同架構、優(yōu)化器和訓練硬件體系下的 7B 大小的模型，以及一個 1B 大小的模型，所有模型都在至少 2T token 上進行了訓練。

同時，也提供了用于模型推理的代碼、訓練過程的各項指標以及訓練日志。

評估工具：公開了開發(fā)過程中的評估工具套件，包括每個模型訓練過程中每 1000 step 中包含的超過 500 個的檢查點以及評估代碼。

所有數(shù)據(jù)都在 apache 2.0 下授權使用（免費商用）。

如此徹底的開源，似乎是給開源社區(qū)打了個樣 —— 以后不像我這樣開源的，就別說自己是開源模型了。

性能評估

從核心的評估結果來看，OLMo-7B 與同類開源模型相比略勝一籌。在前 9 項評測中，OLMo-7B 有 8 項排名前三，其中有 2 項超越了其他所有模型。

在很多生成任務或閱讀理解任務（例如 truthfulQA）上，OLMo-7B 都超過了 Llama 2，但在一些熱門的問答任務（如 MMLU 或 Big-bench Hard）上表現(xiàn)則要差一些。

前 9 個任務是研究人員對預訓練模型的內(nèi)部評估標準，而下面三個任務則是為了完善 HuggingFace Open LLM 排行榜而加入的

下圖展示了 9 個核心任務準確率的變化趨勢。除了 OBQA 外，隨著 OLMo-7B 接受更多數(shù)據(jù)的訓練，幾乎所有任務的準確率都呈現(xiàn)上升趨勢。

與此同時，OLMo 1B 與其同類模型的核心評估結果表明，OLMo 與它們處于同一水平。

通過使用艾倫 AI 研究所的 Paloma（一個基準測試）和可獲取的檢查點，研究人員分析了模型預測語言能力與模型規(guī)模因素（例如訓練的 token 數(shù)量）之間的關系。

可以看到，OLMo-7B 在性能上與主流模型持平。其中，每字節(jié)比特數(shù)（Bits per Byte）越低越好。

通過這些分析，研究人員發(fā)現(xiàn)模型在處理不同數(shù)據(jù)源時的效率差異較大，這主要取決于模型訓練數(shù)據(jù)與評估數(shù)據(jù)的相似度。

特別地，OLMo-7B 在主要基于 Common Crawl 的數(shù)據(jù)源上表現(xiàn)出色（比如 C4）。

不過，在與網(wǎng)絡抓取文本關系不大的數(shù)據(jù)源上，如 WikiText-103、M2D2 S2ORC 和 M2D2 Wikipedia，OLMo-7B 與其他模型相比效率較低。

RedPajama 的評估也體現(xiàn)了相似的趨勢，可能是因為它的 7 個領域中只有 2 個來源于 Common Crawl，且 Paloma 對每個數(shù)據(jù)源中的各個領域給予了相同的權重。

鑒于像 Wikipedia 和 arXiv 論文這樣的精選數(shù)據(jù)源提供的異質(zhì)數(shù)據(jù)遠不如網(wǎng)絡抓取文本豐富，隨著預訓練數(shù)據(jù)集的不斷擴大，維持對這些語言分布的高效率會很更加困難。

OLMo 架構

在模型的架構方面，團隊基于的是 decoder-only 的 Transformer 架構，并采用了 PaLM 和 Llama 使用的 SwiGLU 激活函數(shù)，引入了旋轉(zhuǎn)位置嵌入技術（RoPE），并改進了 GPT-NeoX-20B 的基于字節(jié)對編碼（BPE）的分詞器，以減少模型輸出中的個人可識別信息。

此外，為了保證模型的穩(wěn)定性，研究人員沒有使用偏置項（這一點與 PaLM 的處理方式相同）。

預訓練數(shù)據(jù)集：Dolma

雖然研究人員在獲取模型參數(shù)方面取得了一定的進展，但開源社區(qū)目前預訓練數(shù)據(jù)集的開放程度還遠遠不夠。

之前的預訓練數(shù)據(jù)往往不會隨著模型的開源而公開（閉源模型就更不用說了）。

而且有關這些數(shù)據(jù)的說明文檔也常常缺乏足夠的細節(jié)，但是這些細節(jié)對于想要復現(xiàn)研究或完全理解相關工作至關重要。

這一情況加大了語言模型研究的難度 —— 比如，了解訓練數(shù)據(jù)如何影響模型能力和其局限性。

為了推動語言模型預訓練領域的開放研究，研究人員構建并公開了預訓練數(shù)據(jù)集 Dolma。

這是一個包含了從 7 種不同數(shù)據(jù)來源獲取的 3 萬億個 token 的多樣化、多源語料庫。

這些數(shù)據(jù)源一方面在大規(guī)模語言模型預訓練中常見，另一方面也能被普通大眾所接觸。

Dolma 的構建過程包括六個步驟：語言過濾、質(zhì)量過濾、內(nèi)容過濾、去重、多源混合和 token 化。

在整理和最終發(fā)布 Dolma 過程中，研究人員確保各數(shù)據(jù)源的文檔保持獨立。

他們還開源了一套高效的數(shù)據(jù)整理工具，這套工具能夠幫助進一步研究 Dolma、復制成果，并簡化預訓練語料庫的整理工作。

此外，研究人員也開源了 WIMBD 工具，以助于數(shù)據(jù)集分析。

訓練 OLMo

分布式訓練框架

研究人員利用 PyTorch 的 FSDP 框架和 ZeRO 優(yōu)化器策略來訓練模型。這種方法通過將模型的權重和它們對應的優(yōu)化器狀態(tài)在多個 GPU 中進行分割，從而有效減少了內(nèi)存的使用量。

在處理高達 7B 規(guī)模的模型時，這項技術使研究人員能夠在每個 GPU 上處理 4096 個 token 的微批大小，以實現(xiàn)更高效的訓練。

對于 OLMo-1B 和 7B 模型，研究人員固定使用大約 4M token（2048 個數(shù)據(jù)實例，每個實例包含 2048 個 token 的序列）的全局批大小。

而對于目前正在訓練中的 OLMo-65B 模型，研究人員采用了一個批大小預熱策略，起始于大約 2M token（1024 個數(shù)據(jù)實例），之后每增加 100B token，批大小翻倍，直至最終達到大約 16M token（8192 個數(shù)據(jù)實例）的規(guī)模。

為了加快模型訓練的速度，研究人員采用了混合精度訓練的技術，這一技術是通過 FSDP 的內(nèi)部配置和 PyTorch 的 amp 模塊來實現(xiàn)的。

這種方法特別設計，以確保一些關鍵的計算步驟（例如 softmax 函數(shù)）始終以最高精度執(zhí)行，以保證訓練過程的穩(wěn)定性。

與此同時，其他大部分計算則使用一種稱為 bfloat16 的半精度格式，以減少內(nèi)存使用并提高計算效率。

在特定配置中，每個 GPU 上的模型權重和優(yōu)化器狀態(tài)都以最高精度保存。

只有在執(zhí)行模型的前向傳播和反向傳播，即計算模型的輸出和更新權重時，每個 Transformer 模塊內(nèi)的權重才會臨時轉(zhuǎn)換為 bfloat16 格式。

此外，各個 GPU 間同步梯度更新時，也會以最高精度進行，以確保訓練質(zhì)量。

優(yōu)化器

研究人員采用了 AdamW 優(yōu)化器來調(diào)整模型參數(shù)。

無論模型規(guī)模大小如何，研究人員都會在訓練初期的 5000 步（大約處理 21B 個 token）內(nèi)逐漸增加學習率，這一過程稱為學習率預熱。

預熱結束后，學習率將按線性規(guī)律逐漸減少，直到降至最高學習率的十分之一。

此外，研究人員還會對模型參數(shù)的梯度進行裁剪，確保其總的 L1 范數(shù)不會超過 1.0。

數(shù)據(jù)集

研究人員利用開放數(shù)據(jù)集 Dolma 中的一個 2T token 的樣本，構建了他們的訓練數(shù)據(jù)集。

研究人員將每篇文檔的 token 連接起來，每篇文檔的末尾都會加上一個特殊的 EOS token，接著將這些 token 分成每組 2048 個，形成訓練樣本。

這些訓練樣本在每次訓練時都會以同樣的方式進行隨機打亂。研究人員還提供了一些工具，使得任何人都可以復原每個訓練批次的具體數(shù)據(jù)順序和組成。

研究人員已經(jīng)發(fā)布的所有模型至少都經(jīng)過了一輪（2T token）的訓練。其中一些模型還進行了額外的訓練，即在數(shù)據(jù)上進行第二輪訓練，但采用了不同的隨機打亂順序。

根據(jù)之前的研究，這樣重復使用少量數(shù)據(jù)的影響是微乎其微的。

英偉達和 AMD 都要 YES！

為了確保代碼庫能夠同時在英偉達和 AMD 的 GPU 上都能高效運行，研究人員選擇了兩個不同的集群進行了模型訓練測試：

利用 LUMI 超級計算機，研究人員部署了最多 256 個節(jié)點，每個節(jié)點搭載了 4 張 AMD MI250X GPU，每張 GPU 擁有 128GB 內(nèi)存和 800Gbps 的數(shù)據(jù)傳輸速率。

通過 MosaicML (Databricks) 的支持，研究人員使用了 27 個節(jié)點，每個節(jié)點配備了 8 張英偉達 A100 GPU，每張 GPU 擁有 40GB 內(nèi)存和 800Gbps 的數(shù)據(jù)傳輸速率。

雖然研究人員為了提高訓練效率對批大小進行了微調(diào)，但在完成 2T token 的評估后，兩個集群的性能幾乎沒有差異。

總結

與以往大多數(shù)僅僅提供模型權重和推理代碼的模型不同，研究人員開源了 OLMo 的全部內(nèi)容，包括訓練數(shù)據(jù)、訓練和評估代碼，以及訓練日志、實驗結果、重要發(fā)現(xiàn)以及 Weights & Biases 的記錄等等。

此外，團隊正在研究如何通過指令優(yōu)化和不同類型的強化學習（RLHF）來改進 OLMo。而這些微調(diào)代碼、數(shù)據(jù)和經(jīng)過微調(diào)后的模型也都會被開源。

研究人員致力于持續(xù)支持和發(fā)展 OLMo 及其框架，推動開放語言模型（LM）的發(fā)展，助力開放研究社區(qū)的發(fā)展。為此，研究人員計劃引入更多不同規(guī)模的模型、多種模態(tài)、數(shù)據(jù)集、安全措施和評估方法，豐富 OLMo 家族。

他們希望通過今后持續(xù)進行的徹底開源工作，增強開源研究社區(qū)的力量，并引發(fā)新一輪的創(chuàng)新浪潮。