Llama 3.1 92页技术报告详细解读_llama3.1 92页

引言

半个月前，Meta发布了他们的开源大模型Llama3.1，在社区中引起广泛关注和讨论。现在几周的时间过去了，热度逐渐退潮，舆论逐渐降温，整个Llama3家族的技术报告也公开出来。报告数据更新到了Llama 3.1，正是理性地来审视一下这款大模型的好时候。

经常有人问怎么去学习大语言模型，有哪些相关技术。我觉得模型的技术报告就是一个很好的索引。因此，虽然网上已经有很多关于Llama 3.1技术报告的解读，我决定还是从另一个视角去看它，把它当作是一次梳理大语言模型相关技术的机会。

基于这篇 LLama 3.1的技术报告，今天我们将从模型参数、基础设施、预训练、后训练这四个方面，来详细的剖析Llama3系列模型。希望大家能够耐心看完，相信一定能有所收获。

模型参数选择

之前各路媒体，在报道Llama3.1的时候，都喜欢强调模型高达405B的庞大参数。这个数字固然抢眼，但是我们有没有想过，为什么Llama 3.1要堆如此庞大的参数呢？要知道，如今已经不再是纯粹的规模为王的时代了。如果考略经济效益和便携性，小模型的市场表现也并不会差多少。405B的庞大参数让很多的个人开发者望而却步，即便这样，Llama3.1还是折腾了一个巨无霸出来。

而这次的技术报告就为我们揭露了这背后的原因，那就是Meta希望通过Scaling Law来确定旗舰模型的最佳大小。但是存在两个挑战：一是现有的Scaling Law通常只能预测下一个词的损失，而不能预测特定基准的性能；二是Scaling Law可能会因为小计算量的预训练而变得嘈杂和不可靠。

Scaling Law方法

为了解决这些挑战，Meta 希望通过一个两阶段的方法来实现能够准确预测下游基准性能的Scaling Law。首先，他们需要找到最优模型在下游任务上负对数似然和训练FLOPs之间的相关性。然后再利用Scaling Law模型和使用更高计算FLOPs训练的旧模型，将下游任务上的负对数似然与基准任务的准确率相关联。

具体做法是这样的：首先保证6 × 10^18 FLOPs到10^22 FLOPs之间的计算预算，然后在这个预算下，通过预训练模型来构建Scaling Law。在训练过程中，Meta还使用了余弦学习率计划，预热了2000个训练步骤，峰值学习率根据模型的大小设置在了2 × 10^-4到4 × 10^-4范围之间。此外，还将余弦衰减设置为峰值的0.1，将每一步的权重衰减设置为该步骤学习率的0.1倍，范围在250K到4M之间。

实验结果与决策

实验结果产生了如图所示的IsoFLOPs曲线，并且这些曲线中的损失是在单独的验证集上测量的。Meta 还使用了二度多项式来拟合测量的损失值，并且以此来确定每个抛物线的最小值，再将这个最小值称为对应预训练计算预算下的计算最优模型。通过这种方法，Meta 就可以利用计算最优模型来预测指定计算预算下最佳的训练token数量。

实验结果显示，随着计算预算的增加，IsoFLOPs曲线在最小值附近变得逐渐平坦。这意味着旗舰模型的性能对于模型大小和训练token 之间的权衡变得相对稳健。基于这个观察结果，Meta 最终决定训练一个具有405B参数的旗舰模型。

硬件架构与基础设施

然而，405B的庞大参数不是说训练就能训练的。Meta还必须找到能够稳定运转这个庞然大物的硬件架构和基础设施。Llama 1 和 2 模型是在 Meta 之前的 AI 超级集群上训练的，但是眼下这个超级集群还远远达不到405B的预期目标。

最终，Meta整合了24000多块H100，重新搭建了生产集群，其中16000个用于Llama 3的预训练。所有这些GPU 都运行在 700W 热功耗TDP下，配备了 80GB 的HBM3，使用 Meta 的 Grand Teton AI 服务器平台。每个服务器配备了八个 GPU 和两个 CPU。在服务器内部，八个 GPU 通过 NVLink 连接。

网络拓扑结构

模型的训练还使用了Arista 7800 交换机和 Minipack2 OCP交换机，采用RoCE网络拓扑结构，通过三层 CLOS 网络连接。在底层，每个机架托管着 16 个 GPU，分布在两台服务器上，并且通过一个 Minipack2 机架顶部交换机连接。在中间层，192 个这样的机架通过集群交换机连接，形成了一个拥有 3072 个 GPU 的 pod，具有完整的双向带宽，确保不会过载。在顶层，同一座数据中心大楼内的八个 pod通过聚合交换机连接，最终形成了24000个 GPU 的集群。虽然目前还比不上马斯克的十万卡集群，但是Meta的这个生产集群也算的上是世界上最贵的集群之一了。

存储系统

GPU还只是这个集群的底子。为了保证大模型能够老老实实地把学到的知识记到脑子里，Meta 的研究人员还采用了分布式文件系统，构建了 Llama 3 预训练的存储网络。它可以提供高达 240PB 的存储空间，由配备了 SSD 的 7500 台服务器支持，并且支持每秒2TB的持续吞吐量和每秒7TB的峰值吞吐量。通过这一系列的设置，Meta希望能够将检查点期间的 GPU 暂停时间最小化，同时增加检查点的频率，从而减少恢复后丢失的工作量。

负载均衡与拥塞控制

现在这个集群算是搭得差不多了，但是庞大的规模也带来了其他挑战，比如说负载均衡。由于大语言模型的训练会产生大量的网络流量，而这些流量很难使用传统的方法，比如说 等价多路径路由ECMP来进行负载均衡。为了解决这一挑战，Meta采用了两种技术。

首先，Meta的集合库会在两个 GPU 之间创建 16 个网络流，而不是仅仅一个，从而减少每个网络流的传输量，并且提供更多的网络流进行负载均衡。其次，通过采用增强等价多路径路由E-ECMP协议，对 RoCE 数据包头中额外的字段进行哈希，从而有效地在不同的网络路径上平衡这 16 个网络流。

另外，拥塞控制也是一个大麻烦。在训练的过程中，运行速度慢的服务器会引起持续的拥塞和网络压力，这些现象都会导致训练效率上的损耗。对此，Meta采用了深缓冲deep buffer交换机，在骨干网络上进行了部署，从而降低由于集合通信模式引发的瞬间拥塞和缓冲，避免了使用像数据中心量化拥塞通知DCQCN这样传统的拥塞控制方法。

训练过程中的挑战

现在，基础设施和解决方案都准备齐了，对于405B这个巨无霸的训练，Meta可以说是势在必行。然而，意料之外的情况还是发生了。16000个 GPU训练的复杂性和潜在故障远远超过了之前更大规模的CPU集群。由于AI模型训练的同步性质，导致整个集群对于故障的容忍度很低，单个GPU的故障可能就需要重启整个作业。

在54天的预训练期间，集群总共经历了466次作业中断。其中，47次是计划内的中断，主要是自动化的维护操作，比如升级固件、启动作业，或者更新配置和数据集等等。其余419次是意外的中断，其中大约78%都出于确认的硬件问题，比如GPU或主机组件故障，以及疑似与硬件相关的问题，比如静默数据损坏和计划外的主机维护。而GPU的问题又是最多，占所有意外问题的58.7%。

故障诊断与解决

不过，尽管经历了大量的故障，在整个训练期间，只有三次故障需要显著的手动干预处理，其余问题都被自动化处理给解决了。为了增加有效训练时间，Meta还使用了几套用来快速诊断和解决问题的工具。

首先是Pytorch 内置的 NCCL飞行记录器，这项技术可以将集合通信的元数据以及堆栈信息捕获到环形缓冲区中，从而允许维护人员快速诊断系统挂起以及性能的相关问题，尤其是与 NCCLX 相关的问题。利用这个功能，Meta可以有效地记录每个通信事件以及每个集合通信操作的持续时间，并且可以在 NCCLX 看门狗或者心跳检测超时的时候自动导出跟踪数据。

通过在线配置更改技术，Meta还可以在不需要代码重新部署或者任务重启的情况下，实时并且选择性地启用更复杂的跟踪操作和元数据收集。

NVLink和RoCE混合网络的调试

此外，由于网络中混合使用了 NVLink 和 RoCE，使得大规模训练的调试变得很复杂。通过 NVLink 传输的数据通常会通过 CUDA 内核发出 加载和存储操作，而远程 GPU 或 NVLink 连接中的故障通常会表现为 CUDA内核的加载和存储操作停滞，但是并不会返回明确的错误代码。而通过 NCCLX 与 PyTorch 紧密的集成设计，使得 PyTorch 能够访问 NCCLX 的内部状态，追踪相关信息，从而提高了故障检测和定位的速度和准确性。

虽然无法完全防止由于 NVLink 故障导致的停顿，但是系统会监控通信库的状态，并且在检测到这类停顿的时候自动超时。此外，NCCLX 还会跟踪每个 NCCLX 通信的内核以及网络活动，并且提供失败的集合通信内部状态快照，包括所有等级之间已完成和待处理的数据传输。通过分析这些数据，就可以来调试 NCCLX 的扩展问题。

慢节点识别

有些时候，硬件问题也会导致训练任务变慢，但是不会失败。这是由于采用了同步训练模式，所以单个异常节点会导致所有节点都变慢。为了解决这个问题，Meta还开发了相关的工具，可以从选定的进程组中筛选出有问题的通信，再通过重点调查几个主要的可疑对象，有效地识别出慢节点。

环境因素的影响

同时，Meta的训练人员也发现了一个有趣的现象，那就是环境因素对大规模训练性能的影响。在训练405B 模型的过程中，每天中午，吞吐量都会有 1%到2% 的变化。研究人员认为，这大概是由于中午温度升高的原因。

此外，在训练的过程中，当同时启停任务，或者所有 GPU 都在等待 检查点保存或者集合通信完成的时候，可能会导致数以万计的 GPU 同时增加或减少功耗，这就会让整个数据中心的电力消耗瞬间波动数十兆瓦，逼近电网的承载极限。而随着模型和集群规模的扩大，这也将是一个持续的挑战。

模型架构概览

尽管集群的运行麻烦不断，但是Meta最终还是完成了训练。在全新的生产集群上，Meta训练了一系列的基础模型，统称为 LLaMA 3。这个系列的大模型天然支持多语言、代码、推理和工具使用。其中最大的模型是一个稠密的 Transformer 模型，包含 405B 参数量，最大可以支持 128K 的上下文长度。这个系列的模型一共包含 8B、70B 和 405B 3 种规模，以及 LLaMA 3 和 LLaMA 3.1 两个版本。每个版本都了提供 Base 模型和 Instruct 模型。

相比于Llama 2，LLaMA 3 系列模型也使用了GQA，都是 8 个 KV头。其中8B 模型是4个注意力头共享1个 KV头，70B 模型是 8 个注意力头共享 1 个 KV 头，而405B 模型是 16 个注意力头共享 1 个 KV Head。可见GQA 可以明显的减少 KV缓存。

熟悉大模型的观众应该清楚，大语言模型的训练一般会包含两个关键的阶段：一个是预训练Pre-Training，主要处理下一个token的预测；一个是后训练Post-Training，主要是训练模型在SFT、DPO方面的能力，以及集成新的能力。我们先来谈一下llama 3的预训练阶段。

预训练

在这个阶段，训练用的数据可谓是重中之重。Llama3.1的预训练数据包含了截至 2023 年末的各种数据源，然后针对每个数据源进行了多次去重和数据清洗。这样不仅可以保证获得高质量的 Token，同时也会删除大量个人身份信息和成人内容。

数据混合策略

预训练数据中不同数据源的数据混合比例也是影响模型质量非常关键的因素。为此，论文作者开发了一个分类器，用来对网络数据进行分类。为了确定最佳的数据混合方案，作者还进行了Scaling Law实验。具体来说，就是在数据混合上训练几个小模型，然后使用它们来预测大模型在这个混合比例上的性能。经过对不同的数据的多次混合测试，选择出新的数据混合比例。最后，在这个数据混合上训练一个更大的模型，评估这个模型在几个关键基准上的性能。

最终数据混合比例

最终，混合数据集中包含大约 50% 的一般知识token，25% 的数学和推理 Token，17% 的代码 Token，以及 8% 的多语言Token。为了提升Llama3的多语言能力，Meta团队还训练了一个专门处理多语言数据的专家模型，同时收集和生成了高质量的多语言指令调优数据，涵盖德语、法语、意大利语、葡萄牙语、印地语、西班牙语和泰语，并且尽量避免使用机器翻译的数据来微调模型，从而防止翻译腔、可能的名称偏见、性别偏见以及文化偏见。

数据退火技术

论文作者还发现，通过对数据混合进行退火，也就是在选定域中对高质量数据进行上采样，可以将预训练的 LLaMA 3.1 8B在 GSM8K 和 MATH 评估集上的性能提高 24.0% 和 6.4%。但是，这对 405B 模型的改进很小，说明405B 模型已经具备了强大的上下文学习能力和推理能力。与此同时，作者还发现，退火可以帮助判断小型特定领域数据集的价值，这比对每个小数据集进行缩放实验更加有效。

预训练过程

确定好了预训练数据，就可以准备正式开始预训练了。405B 模型的预训练采用了余弦学习率计划，峰值学习率为 8 × 10^-5，线性预热 8000 步，然后在 1200000 个训练步骤内衰减到 8 × 10^-7。研究人员发现在训练初期，使用较小的批量大小可以提高训练得稳定性，随后再增加批量大小，从而提高效率。

具体来说，Meta最初使用了4M个token 的批量大小和 4,096 的序列长度，然后在预训练了 252M 个token之后后，翻倍到 8M 个toekn和 8,192 的序列长度。在预训练了 2.87T 个token之后，再次将批量大小加倍到 16M。Meta 发现这种训练方法非常稳定，损失峰值很少，并且不需要干预来纠正模型训练发散的问题。

后训练

与预训练阶段数据为主不同，后训练阶段的基础则是奖励和微调模型，比如使用人类标注偏好数据训练的 奖励模型，以及监督式微调 SFT和直接偏好优化DPO。最后的 DPO 模型再用于下一轮的训练。llama3 的后训练总共进行了 6 轮迭代，其中每一轮都会进行SFT和DPO，最终获得了与人类反馈一致的模型。

奖励模型训练

基于最后 405B 的检查点，Meta训练了一个涵盖不同能力的奖励模型，并且使用偏好数据进行了奖励建模。其中标注被划分成了4个偏好等级，分别是明显更好（significantly better）、更好（better）、略好（slightly better）和勉强更好（marginally better）。具体的数据分布如图所示。

监督式微调（SFT）

接下来，研究人员使用奖励模型对人工标注的提示进行了拒绝采样（Rejection Sampling），然后将拒绝采样数据和其他数据源合并，再使用标准的交叉熵损失对预训练语言模型进行了监督式微调。其中405B模型是在8.5K到9K步的过程中，以10^-5的学习率进行微调。

直接偏好优化（DPO）

在 SFT 之后，Meta进一步使用 DPO 对 SFT 模型进行训练，以便与人类的偏好对齐。相比于PPO，DPO 针对大参数模型的计算量更少，并且性能更好。此外，为了提高 DPO 训练的稳定性，研究人员还对 DPO 做了一些修改，比如在 DPO损失中屏蔽特殊格式的 Token，并且添加了一个额外的负对数似然损失项，对被选择的序列进行正则化，缩放系数为0.2。

模型推理

在后训练结束后，我们再介绍一些关于Llama3模型推理的内容。405B 模型如果想要使用 FP16 推理，至少需要 810GB 的显存，至少要两台装有8个H100的服务器。如果服务器之间有 NVLink 和 NVSwitch 高速互联，可以使用张量并行。而如果服务器之间的带宽比较低，时延比较长，则需要使用流水线并行，然后再使用微批处理来提高吞吐量。

而405B的FP8 推理，使用 1台服务器即可部署，因此完全可以采用张量并行的方案。经过测试，FP8推理不仅能够让预填充阶段的吞吐量提高50%，而且在解码阶段，也能够获得更好的的吞吐量-延迟权衡。

结语

至此，我们已经深入探讨了Llama 3.1技术报告的核心内容。从模型参数的选择到基础设施的搭建，从预训练数据的处理到后训练阶段的优化，我们全面审视了这个大规模语言模型的诞生过程。

Llama 3.1的开发不仅展示了Meta在人工智能领域的技术实力，更为整个AI社区提供了宝贵的经验和见解。它的开源性质意味着这些先进技术将被更广泛地应用和改进，推动整个行业的进步。

然而，我们也要认识到，尽管405B参数的模型展现了惊人的能力，但在实际应用中，模型的选择还需要考虑效率、成本和具体需求等多方面因素。小型模型在某些场景下可能更具优势。

最后，我想强调的是，理解这些技术细节对于AI从业者来说至关重要。它不仅能帮助我们更好地应用现有模型，还能激发我们在未来的AI研发中的创新思维。希望通过本次解读，能为大家提供一些有价值的见解和启发。

感谢大家的阅读，我们下期再见！

零基础如何学习大模型 AI

领取方式在文末

为什么要学习大模型？

学习大模型课程的重要性在于它能够极大地促进个人在人工智能领域的专业发展。大模型技术，如自然语言处理和图像识别，正在推动着人工智能的新发展阶段。通过学习大模型课程，可以掌握设计和实现基于大模型的应用系统所需的基本原理和技术，从而提升自己在数据处理、分析和决策制定方面的能力。此外，大模型技术在多个行业中的应用日益增加，掌握这一技术将有助于提高就业竞争力，并为未来的创新创业提供坚实的基础。

大模型实际应用案例分享

①智能客服：某科技公司员工在学习了大模型课程后，成功开发了一套基于自然语言处理的大模型智能客服系统。该系统不仅提高了客户服务效率，还显著降低了人工成本。
②医疗影像分析：一位医学研究人员通过学习大模型课程，掌握了深度学习技术在医疗影像分析中的应用。他开发的算法能够准确识别肿瘤等病变，为医生提供了有力的诊断辅助。
③金融风险管理：一位金融分析师利用大模型课程中学到的知识，开发了一套信用评分模型。该模型帮助银行更准确地评估贷款申请者的信用风险，降低了不良贷款率。
④智能推荐系统：一位电商平台的工程师在学习大模型课程后，优化了平台的商品推荐算法。新算法提高了用户满意度和购买转化率，为公司带来了显著的增长。
…
这些案例表明，学习大模型课程不仅能够提升个人技能，还能为企业带来实际效益，推动行业创新发展。

学习资料领取

如果你对大模型感兴趣，可以看看我整合并且整理成了一份AI大模型资料包，需要的小伙伴文末免费领取哦，无偿分享！！！
vx扫描下方二维码即可
加上后会一个个给大家发

部分资料展示

一、 AI大模型学习路线图

整个学习分为7个阶段

二、AI大模型实战案例

涵盖AI大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，皆可用。

三、视频和书籍PDF合集

从入门到进阶这里都有，跟着老师学习事半功倍。

如果二维码失效，可以点击下方链接，一样的哦
【CSDN大礼包】最新AI大模型资源包，这里全都有！无偿分享！！！