最强英文开源模型Llama2架构与技术细节探秘_llama decoder架构

prerequisite: 最强英文开源模型LLaMA架构探秘，从原理到源码

Llama2

Meta AI于2023年7月19日宣布开源LLaMA模型的二代版本Llama2，并在原来基础上允许免费用于研究和商用。

作为LLaMA的延续和升级，Llama2的训练数据扩充了40%，达到2万亿token，并且可处理的上下文增倍，达到4096个token。整体finetuning过程使用了1百万人工标记数据。开源的基座模型包括7B、13B、70B3个版本，并提供了对话增强版本的Llama chat和代码增强版本的Code Llama，供开发者和研究人员使用。

两代模型架构区别

Llama 2和初代模型相比，仍然延续Transformer’s decoder-only架构，仍然使用Pre-normalization、SwiGLU激活函数、旋转嵌入编码（RoPE），区别仅在于前述的40%↑的训练数据、更长的上下文和分组查询注意力机制（GQA, Grouped-Query Attention）。

Group-Query Attention

GQA: Training Generalized Multi-Query Transformer Models from Multi-Head Checkpoints

引入GQA的主要目的是提升推理速度，这种注意力机制由transformer的Multi-head Attention简化而来，再辅以KV cache的checkpoint机制进一步提速。

如上图：

• 左边是transformer原始的Multi-head Attention，它有H个query，key，value，即每个query单独配一个key和value
• 右边是其他研究者提出的Multi-query Attention，它在多个query共享同一个key和value
• 中间则是折中的Grouped-query Attention，它将query进行了分组，仅在组内共享同一个key和value

具体而言，Llama2使用了8组KV映射，即GQA-8，实测效果上接近MHA，推理速度上接近MQA，尽可能做到了效果和速度兼得。

对比其他模型

Llama2在一众开源模型中遥遥领先。

笔者注：模型架构没有太大变化，GQA只是推理加速，但效果提升，那也就是说明主要得益于新增的那40%的数据。坦白讲，大模型阶段模型架构已经不那么重要了，可以保证一定的推理速度即可，效果上dataset is all you need。

但在闭源模型的比较上，Llama2仅领先PaLM，且仅能做到在MMLU和GSM8K两个数据集上接近GPT3.5，与PaLM-2-L和GPT-4相比，仍然落后不少。

Llama-chat训练流程

下面我们来聊一聊llama-chat的训练流程，详见原技术论文，以下仅做流程概述：

1. 自监督预训练
2. 监督精调
3. RLHF
   a. 自人类偏好数据集中训练2个奖励模型，分别是Safety Reward Model和Helpful Reward Model ，一个用于对人类偏好进行奖励建模，一个对安全合规进行奖励建模
   b. 先使用Helpful Reward模型进行RLHF，基于Rejection Sampling和PPO
   c. 在helpful的基础上进一步提升安全性，使用Safety Reward Model进行RLHF，也是基于Reject Sampling和PPO，实验证明，Safety RLHF能在不损害helpfulness的前提下有更好的长尾safety棒性

重要的细节上：

1. PPO（Proximal Policy Optimization），即标准的RLHF使用的方法
2. Rejection Sampling fine-tuning（拒绝采样微调）：采样模型的k个输出，并选择奖励模型认为最好的样本作为输出进行梯度更新

两种RL算法的区别是：

• 广度上：PPO仅进行一次生成；Reject Sampling会生成k个样本，从中选取奖励最大化的样本
• 深度上：PPO的第t步训练过程的样本是t-1步更新的模型策略函数；Reject Sampling的训练过程相当于对模型当前策略下的所有输出进行采样，相当于是构建了一个新的数据集，然后在进行类似于SFT的微调

Meta仅在最大的Llama2 70B使用了Reject Sampling，其余模型仅使用了PPO。

Code-Llama

2023年8月24日，Meta推出了面向代码的可商用代码大模型Code Llama，开源了3个版本7B/13B/34B。支持多种编程语言，包括Python、C++、Java、PHP、Typescript (Javascript)、C#和Bash。

训练流程如下图：

如图所示，包含3个分支模型，每个分支模型的第一步都是使用500B的token进行Code Training和Infilling code training

1. Code Llama-Python（面向python语言的代码模型），第一步之后先用100B token的python代码进行训练，然后再使用20B的token在长上下文的场景上进行finetuning得到最终模型
2. Code Llama（通用代码模型），第一步之后使用20B的token在长上下文的场景上进行finetuning得到最终模型
3. Code Llama-Instruct（面向对话的代码模型），第一步之后同Code Llama使用20B的token在长上下文的场景上进行finetuning，然后再在5B的token上进行指令精调

训练集详情如下：

细节上：

1. Code Training即使用代码数据进行训练
2. Code Infilling值得是根据代码上下文预测残缺的代码部分，仅针对代码文本进行挖空预测，方法与Bert的挖空预测类似：
   a. 从完整的代码中选择一部分进行掩码（mask）并替换为<MASK>符号，构成上下文作为输入
   b. 然后采用自回归的方式对mask进行预测

模型效果对比上，神秘的unnatural版本在HumanEval的pass@1上领先GPT-3，接近于GPT-4（5%左右差距），其余部分明显领先PaLM系列和StarCoder系列模型：

参考文献

1. https://ai.meta.com/llama/
2. Llama 2: Open Foundation and Fine-Tuned Chat Models
3. 大模型技术实践（二）｜关于Llama 2你需要知道的那些事儿
4. GQA: Training Generalized Multi-Query Transformer Models from Multi-Head Checkpoints
5. 大规模预训练语言模型方法与实践，崔一鸣，北京BAAI，2023年8月26日
6. https://ai.meta.com/blog/code-llama-large-language-model-coding/
7. Code Llama: Open Foundation Models for Code