Llama-3-SynE：实现有效且高效的大语言模型继续预训练

© 作者｜陈杰‍‍‍

机构｜中国人民大学

研究方向｜自然语言处理、大语言模型

继续预训练是使语言模型适应特定领域或任务的一种重要方法。为了使继续预训练更具可追溯性，本研究展示了一份技术报告，通过继续预训练显著增强了 Llama-3（8B）的中文语言能力和科学推理能力。为了在增强新能力的同时保持原有能力，我们利用现有数据集并合成高质量数据集，设计了特定的数据混合和数据课程策略。我们将继续预训练后的模型命名为 Llama-3-SynE（Synthetic data Enhanced Llama-3）。

论文题目：Towards Effective and Efficient Continual Pre-training of Large Language Models

论文链接：https://arxiv.org/abs/2407.18743

GitHub链接：https://github.com/RUC-GSAI/Llama-3-SynE

引言

大语言模型（large language model，LLM）相关研究在推动人工智能发展方面取得了重大进展，但在特定场景中仍然存在知识缺口问题。例如，主要在英文语料上预训练的 Llama-3 在中文任务上的表现较差，作为通用模型，它在多学科科学知识上的表现也不足。为了解决这些问题，继续预训练（continual pre-training，CPT）是一种广泛使用的方法，通过在特定领域数据上进行 CPT，增强模型在新领域的能力。然而，CPT 过程中的一个技术难题是“灾难性遗忘”，即新能力得到增强但原有能力大幅下降。尽管现有工作广泛开展了 CPT，但在如何通过有限的训练预算提高模型的综合能力方面，关键的训练细节（如数据选择、混合和课程设计）尚未得到充分讨论。

为了使 CPT 更具可追溯性，本研究展示了一份技术报告，通过 CPT 显著增强了 Llama-3（8B）的中文语言能力和科学推理能力。为了在增强新能力的同时保持原有能力，我们利用现有数据集并合成高质量数据集，设计了特定的数据混合和数据课程策略。我们将 CPT 后的模型命名为 Llama-3-SynE（Synthetic data Enhanced Llama-3）。此外，我们还进行了相对较小模型——TinyLlama 的调优实验，并将得出的结论用于对 Llama-3 的 CPT。我们在十几余项评估基准上多维度测试了Llama-3-SynE的性能，结果表明我们的方法在不损害原有能力的情况下，大大提高了Llama-3的性能，包括通用能力（C-Eval 提升了 8.81，CMMLU 提升了 6.31）和科学推理能力（MATH 提升了 12.00，SciEval 提升了 4.13）。我们的研究贡献如下：

• 我们提出了对 Llama-3（8B）进行 CPT 的完整训练过程，包括数据选择、混合和课程设计。大量实验表明，我们的 CPT 方法是有效（在中文和科学基准测试上取得了巨大提升，同时不影响英文基准测试的性能）且高效（仅消耗约 100B token）的。

• 我们广泛探索了数据合成技术，生成了高质量的科学和代码数据。我们证明了这些合成数据可以大幅提升 LLM 的相应能力。据我们所知，这是首个公开报告如何合成和利用大规模多学科科学数据进行 CPT 的工作。

• 我们发布了用于 CPT 得到 Llama-3-SynE 的完整数据集，包括 98.5B token 的通用语料和 1.5B token 的专注于科学推理和代码任务的合成数据，我们还公开了模型和代码用于后续研究。我们的数据集十分有助于训练 LLM，这在我们针对代理模型 TinyLlama 的实验中得到了证明。

方法

本研究提出的基于 Llama-3 的 CPT 过程分为两个主要阶段：双语适应阶段和合成增强阶段。

1. 双语适应阶段：

• 目标：提高 Llama-3 的中文能力，维持或提升原有能力。

• 数据比例：将中文和英文语料的比例设置为 2:8。

• 数据策略：

  • 基于主题的数据混合：通过手动设定的主题分类标签，训练分类器对网页数据进行主题识别，动态调整各主题语料的比例，以保持模型在各主题上的综合能力。

  • 基于困惑度（Perplexity，PPL）的数据课程：根据模型在训练数据上的 PPL 分数，逐步增加训练数据的复杂性。

合成增强阶段：

• 目标：通过合成数据提高 Llama-3 的多学科科学推理能力，维持或提升代码能力。

• 数据比例：将中文、英文和合成数据的数据比例调整为 1:7:2。

• 数据合成：

  • 科学问答数据：基于科学领域的网页内容，使用 LLM 生成相关的科学问答对。

  • 代码问答数据：利用现有的编程题库，生成新的编程问题及其答案。

对 CPT 过程的介绍详见论文。

实验与结果

我们首先在相对较小的模型 TinyLlama 上进行了广泛的探索性实验，验证了数据合成的有效性，并对合成数据的质量、数据比例及数据课程策略进行探索，同时对比了我们的合成数据与现有开源数据，对探索性实验的详细介绍请见论文。我们将实验得出的结论应用于对 Llama-3 的 CPT。实验结果表明，我们的方法在不损害原有能力的情况下，大大提高了基础模型的中文语言和科学推理能力。我们在十几余项常使用的主要基准测试和科学基准测试上对 Llama-3-SynE 进行了评估，结果如下图所示。

值得注意的是，在前期实验中，我们发现中文自适应的 CPT 模型很难在英语和代码等基准测试（例如 MMLU 和 MBPP）中保持原有的性能，这可能是预训练数据和 CPT 数据之间存在数据分布差异的原因，这也在我们对比的那些基线模型上得到体现。实验结果表明，我们的方法可以有效地平衡原有能力和新能力，这主要体现在以下两个方面。

1. 主要基准测试：

• 在中文评估基准（如 C-Eval 和 CMMLU）上，Llama-3-SynE 显著优于基础模型 Llama-3（8B），表明我们的方法在提高中文语言能力方面非常有效。

• 在英语评估基准（如 MMLU、MATH 和代码评估基准）上，Llama-3-SynE 表现出与基础模型相当或更好的性能，表明我们的方法有效解决了 CPT 过程中灾难性遗忘的问题。

科学基准测试：

• 在科学评估基准（如 SciEval、GaoKao 和 ARC）上，Llama-3-SynE 的表现明显优于基础模型，尤其在中文科学基准上表现出显著提升（如 GaoKao 生物子榜提升了 25.71）。

总结

本研究提出了一种高效的 CPT 方法，通过精心设计的数据选择、混合和课程策略，显著提升了 Llama-3（8B）的中文语言能力和科学推理能力，同时保持其原有能力。实验结果验证了我们方法的有效性和高效性，为在有限训练预算下进行 CPT 提供了重要参考。

一起交流

想和你一起学习进步！『NewBeeNLP』目前已经建立了多个不同方向交流群（机器学习 / 深度学习 / 自然语言处理 / 搜索推荐 / 图网络 / 面试交流 / 等），名额有限，赶紧添加下方微信加入一起讨论交流吧！（注意一定o要备注信息才能通过）