虎博开源大模型TigerBot-70B发布_tigerbot-70b-chat-v2

我们很高兴地发布Tigerbot-70b，继续开源和免费商用，包括：

1. Tigerbot-70b-base: 在Llama-2-70b的基础上继续预训练，模型综合能力在mmlu等10项主流基准测试中，优于Llama-2-70b，达到业内SOTA。

   1. 用高质量的300GB token多语言数据，

   2. 算法上使用了GQA, flash-attn, RoPE, holistic-training等技术，

   3. 训练采用了tensor/pipeline-partition技术，计算效率达到Llama-2 paper中报告的SOTA。

2. Tigerbot-70b-chat: 在Tigerbot-70b-base基础上，用20M指令完成数据进行sft，和10K人类标注的gold set进行rejection-sampling对齐。

3. 同步开放Tigerbot-70b-chat-api，继续对教育和科研开发者免费。

模型训练

Tigerbot-70b是在Llama-2-70b的基础上用高质量的多语言数据300B tokens继续预训练，如下图第一部分训练数据的收敛曲线所示，比之前7b和13b呈现出更好的loss收敛。

我们认为在算法出色的基础上，数据的质量直接影响到模型能力，因此，我们此次训练启用了新的数据mix，以达到模型对知识、数理、通用型任务等纬度更综合的性能提升。对于中文网络数据，我们采用了新的清洗算法，去除网络口语化、低知识密度等问题。对于30b以上的大模型，我们认为计算性能和模型能力的权衡至关重要，因此，我们采用了GQA (group-query-attention), flash-attention (flash-attention), RoPE (rotary-position-embedding), holistic-training等前沿算法，分布式训练上采用了tensor/pipeline-partition技术，并在正式训练前用geometric search快速找到在我们有限算力下的最佳权衡训练参数。

在指令微调阶段，我们采用了20M指令完成数据进行SFT，然后采用人类标注的10K gold-set数据进行rejection-sampling的对齐微调。对于指令微调数据，我们进行了基于任务类型去重和扩充，人类标注的gold-set来自于真实用户prompt，模型randomly sample生成后，并经过reward model ranking和最终人类标注。微调训练阶段的validation和test sets也由人类标注挑选，如下图所示，tigerbot-70b-chat训练达到业内SOTA的～1.2的training loss和～0.5的validation loss。

模型评测

我们以业内主流的10项基准测试集对模型的阅读理解、推理、世界知识、常识问答、数理和代码等能力进行评测，包括：mmlu, arc, squad_v2, squad, mrqa, web_questions, openbook_qa, commonsense_qa, trivia_qa, wiki_qa。评测结果如下图所示，Tigerbot-70b综合能力优于Llama-2-70b，也领先于国内外开源大模型。

后续

Tigerbot会一如既往地推出更优质的模型，分享算法和工程上的突破和经验，以我们绵薄之力提倡open innovation！

TigerBot demo 在线体验: 

https://tigerbot.com/chat

Github 项目: 

https://github.com/TigerResearch/TigerBot

微信讨论群