0門檻克隆方案再升級，開源模型完整復(fù)現(xiàn)，在線體驗無需注冊

作者：機器之心 2023-03-29 15:11:24

生成式 AI 正以 “天” 為單位，快速迭代，持續(xù)狂飆！

以 ChatGPT、GPT4 為代表的 AI 應(yīng)用和大模型火爆全球，被視為開啟了新的科技工業(yè)革命和 AGI （通用人工智能）的新起點。不僅科技巨頭間你追我趕，爭相推出新品，許多學術(shù)界、工業(yè)界的 AI 大佬也紛紛投入投身相關(guān)創(chuàng)業(yè)浪潮。生成式 AI 正以 “天” 為單位，快速迭代，持續(xù)狂飆！

然而，OpenAI 并未將其開源，它們背后的技術(shù)細節(jié)有哪些？如何快速跟進、追趕并參與到此輪技術(shù)浪潮中？如何降低 AI 大模型構(gòu)建和應(yīng)用的高昂成本？如何保護核心數(shù)據(jù)與知識產(chǎn)權(quán)不會因使用第三方大模型 API 外泄？

作為當下最受歡迎的開源 AI 大模型解決方案，Colossal-AI 率先建立了包含監(jiān)督數(shù)據(jù)集收集 -> 監(jiān)督微調(diào) -> 獎勵模型訓練 -> 強化學習微調(diào)的完整 RLHF 流程，以 LLaMA 為基礎(chǔ)預(yù)訓練模型，推出 ColossalChat，是目前最接近 ChatGPT 原始技術(shù)方案的實用開源項目！

開源地址：?https://github.com/hpcaitech/ColossalAI?

包含以下內(nèi)容：

1. Demo：可直接在線體驗?zāi)Ｐ托Ч?，無需注冊或 waitinglist

2. 訓練代碼：開源完整 RLHF 訓練代碼，已開源至含 7B 和 13B 兩種模型

3. 數(shù)據(jù)集：開源 104K 中、英雙語數(shù)據(jù)集

4. 推理部署：4bit 量化推理 70 億參數(shù)模型僅需 4GB 顯存

5. 模型權(quán)重：僅需單臺服務(wù)器少量算力即可快速復(fù)現(xiàn)

6. 更大規(guī)模模型、數(shù)據(jù)集、其他優(yōu)化等將保持高速迭代添加

平價模型，強大能力

ColossalChat 僅需不到百億參數(shù)，在大語言模型的基礎(chǔ)上進行 RLHF 微調(diào)，即可掌握中、英雙語能力，達到與 ChatGPT 和 GPT-3.5 類似的效果。

例如常識問答：

中文應(yīng)答：

寫一封郵件：

寫個算法：

完整 ChatGPT 克隆方案

盡管 ChatGPT 和 GPT-4 等 GPT 系列模型非常強大，但是它們不太可能被完全開源。幸運的是，開源社區(qū)一直在不斷努力。

例如 Meta 開源了 LLaMA 模型，該模型的參數(shù)量從 70 億到 650 億不等，130 億參數(shù)即可勝過 1750 億的 GPT-3 模型在大多數(shù)基準測試的表現(xiàn)。但是由于沒有被指令微調(diào)（instruct tuning），因此實際生成效果不夠理想。

斯坦福的 Alpaca 通過調(diào)用 OpenAI API，以 self-instruct 方式生成訓練數(shù)據(jù)，使得僅有 70 億參數(shù)的輕量級模型以極低成本微調(diào)后，即可獲得媲美 GPT-3.5 這樣千億參數(shù)的超大規(guī)模語言模型的對話效果。

但是現(xiàn)有開源方案都可以被視為只得到了人類反饋強化學習（RLHF）中第一步的監(jiān)督微調(diào)模型，沒有進行后續(xù)的對齊和微調(diào)工作。同時 Alpaca 的訓練數(shù)據(jù)集過小，語料只有英文，也在一定程度上限制了模型的性能。

而 ChatGPT 和 GPT-4 的驚艷效果，還在于將 RLHF 引入訓練過程，使得生成內(nèi)容更加符合人類價值觀。

RLHF 的三個階段

基于 LLaMA 模型，Colossal-AI 首個開源包含完整 RLHF 流程的類 Chat 模型復(fù)現(xiàn)方案 ColossalChat，是目前最接近 ChatGPT 原始技術(shù)路線的實用開源項目！

訓練數(shù)據(jù)集開源

ColossalChat 開源了包含約 10 萬條問答的中、英雙語數(shù)據(jù)集。該數(shù)據(jù)集收集并清洗了社交平臺上人們的真實提問場景作為種子數(shù)據(jù)集，利用 self-instruct 技術(shù)擴充數(shù)據(jù)，花費約 900 美元進行標注。對比其他 self-instruct 方法生成的數(shù)據(jù)集，該數(shù)據(jù)集的種子數(shù)據(jù)更加真實、豐富，生成的數(shù)據(jù)集涵蓋的話題更多。該數(shù)據(jù)可以同時用于微調(diào)和 RLHF 訓練。通過高質(zhì)量的數(shù)據(jù)，ColossalChat 能進行更好地對話交互，同時支持中文。

ColossalChat 數(shù)據(jù)集收集流程

RLHF 算法復(fù)現(xiàn)

RLHF-Stage1 是 supervised-fintuning，即使用上文提到的數(shù)據(jù)集進行模型微調(diào)。

RLHF-Stage2 訓練了獎勵模型，它通過對于同一個 prompt 的不同輸出進行人工排序，得到對應(yīng)分數(shù)，監(jiān)督訓練獎勵模型。

RLHF-Stage3 使用了強化學習算法，是訓練流程中最復(fù)雜的一部分：

RLHF-Stage3 算法流程圖

在 PPO 部分，ColossalChat 分為兩個階段進行：首先是 Make Experience 部分，利用 SFT 、Actor、RM、Critic 模型計算生成 Experience 存入 buffer 中；之后是參數(shù)更新部分，利用 Experience 計算策略損失和價值損失。

在 PTX 部分，ColossalChat 計算 Actor 輸出 response 和輸入語料的回答部分的交叉熵損失函數(shù)，用來在 PPO 梯度中加入預(yù)訓練梯度，以保持語言模型原有性能防止遺忘。最后將策略損失、價值損失和 PTX 損失加和進行反向傳播和參數(shù)更新。

快速上手

ColossalChat 開源了基于 LLaMA 模型，復(fù)現(xiàn)訓練 ChatGPT 三個階段的完整代碼。

第一階段，訓練 SFT 模型：

# Training with a 4-GPU servers
colossalai run --nproc_per_node=4 train_sft.py \
    --pretrain "/path/to/LLaMa-7B/" \
    --model 'llama' \
    --strategy colossalai_zero2 \
    --log_interval 10 \
    --save_path  /path/to/Coati-7B \
    --dataset /path/to/data.json \
    --batch_size 4 \
    --accimulation_steps 8 \
    --lr 2e-5

第二階段，訓練獎勵模型：

# Training with a 4-GPU servers
colossalai run --nproc_per_node=4 train_reward_model.py \
    --pretrain "/path/to/LLaMa-7B/" \
    --model 'llama' \
    --strategy colossalai_zero2 \
    --dataset /path/to/datasets

第三階段，使用 RL 訓練：

# Training with a 8-GPU servers
colossalai run --nproc_per_node=8 train_prompts.py prompts.csv \
    --strategy colossalai_zero2 \
    --pretrain "/path/to/Coati-7B" \
    --model 'llama' \
    --pretrain_dataset /path/to/dataset

在獲得最終模型權(quán)重后，還可通過量化降低推理硬件成本，并啟動在線推理服務(wù)，僅需單張約 4GB 顯存的 GPU 即可完成 70 億參數(shù)模型推理服務(wù)部署。

python server.py/path/to/pretrained --quant 4bit --gptq_checkpoint /path/to/coati-7b-4bit-128g.pt --gptq_group_size 128

系統(tǒng)性能優(yōu)化與開發(fā)加速

ColossalChat 能夠快速跟進 ChatGPT 完整 RLHF 流程復(fù)現(xiàn)，離不開 AI 大模型基礎(chǔ)設(shè)施 Colossal-AI 及相關(guān)優(yōu)化技術(shù)的底座支持，相同條件下訓練速度相比 Alpaca 采用的 FSDP (Fully Sharded Data Parallel) 可提升三倍左右。

系統(tǒng)基礎(chǔ)設(shè)施 Colossal-AI

AI 大模型開發(fā)系統(tǒng) Colossal-AI 為該方案提供了基礎(chǔ)支持，它可基于 PyTorch 高效快速部署 AI 大模型訓練和推理，從而降低 AI 大模型應(yīng)用的成本。Colossal-AI 由加州伯克利大學杰出教授 James Demmel 和新加坡國立大學校長青年教授尤洋領(lǐng)導開發(fā)。自從它開源以來，Colossal-AI 已經(jīng)多次在 GitHub 熱榜位列世界第一，獲得 GitHub Star 約兩萬顆，并成功入選 SC、AAAI、PPoPP、CVPR、ISC 等國際 AI 與 HPC 頂級會議的官方教程。

減少內(nèi)存冗余的 ZeRO + Gemini

Colossal-AI 支持使用無冗余優(yōu)化器 (ZeRO) 提高內(nèi)存使用效率，低成本容納更大模型，同時不影響計算粒度和通信效率。自動 Chunk 機制可以進一步提升 ZeRO 的性能，提高內(nèi)存使用效率，減少通信次數(shù)并避免內(nèi)存碎片。異構(gòu)內(nèi)存空間管理器 Gemini 支持將優(yōu)化器狀態(tài)從 GPU 顯存卸載到 CPU 內(nèi)存或硬盤空間，以突破 GPU 顯存容量限制，擴展可訓練模型的規(guī)模，降低 AI 大模型應(yīng)用成本。

使用 LoRA 低成本微調(diào)

Colossal-AI 支持使用低秩矩陣微調(diào)（LoRA）方法，對 AI 大模型進行低成本微調(diào)。LoRA 方法認為大語言模型是過參數(shù)化的，而在微調(diào)時，參數(shù)改變量是一個低秩矩陣。因此，可以將這個矩陣分解為兩個更小的矩陣的乘積。在微調(diào)過程中，大模型的參數(shù)被固定，只有低秩矩陣參數(shù)被調(diào)整，從而顯著減小了訓練所需的參數(shù)量，并降低成本。

低成本量化推理

GPTQ 量化

為降低推理部署成本，Colossal-AI 使用 GPTQ 4bit 量化推理。在 GPT/OPT/BLOOM 類模型上，它比傳統(tǒng)的 RTN (rount-to-nearest) 量化技術(shù)能夠獲得更好的 Perplexity 效果。相比常見的 FP16 推理，它可將顯存消耗降低 75%，只損失極少量的吞吐速度與 Perplexity 性能。

以 ColossalChat-7B 為例，在使用 4bit 量化推理時，70 億參數(shù)模型僅需大約 4GB 顯存即可完成短序列（生成長度為 128 ）推理，在普通消費級顯卡上即可完成（例如 RTX 3060 Laptop），僅需一行代碼即可使用。

if args.quant == '4bit':
    model = load_quant (args.pretrained, args.gptq_checkpoint, 4, args.gptq_group_size)

如果采用高效的異步卸載技術(shù) (offload)，還可以進一步降低顯存要求，使用更低成本的硬件推理更大的模型。

ColossalChat和Alpaca的區(qū)別

1. ColossalChat 開源了第一個完整的RLHF pipeline，斯坦福Alpaca沒有做 RLHF，也就是沒有做 Stage 2 和 Stage 3。

2. ColossalChat 采用了更多的指令數(shù)據(jù)，質(zhì)量更好，范圍更大，并使用強化學習做alignment 使回答更接近人類。

3. ColossalChat訓練流程集成了Colossal-AI的諸多系統(tǒng)優(yōu)化，同等數(shù)據(jù)集和模型大小的訓練速度可以比Alpaca快3倍左右，讓科研人員和中小企業(yè)也能獨立訓練部署自己的會話系統(tǒng)。

4.ColossalChat 團隊自己采集了更多數(shù)據(jù)集：訓練的英文一共 24M tokens，中文大約 30M tokens，總共約 54M tokens。其中 ColossalChat 自己收集的數(shù)據(jù)集英文 6M，中文 18M tokens。

以下是 ColossalChat 和 Alpaca 在語言對話上的一些表現(xiàn) (上面是ColossalChat，下面是Alpaca)。

用 Python 寫 Quicksort：

給教授寫郵件請求推薦信：

開放協(xié)作

盡管已經(jīng)進一步引入 RLHF，但由于算力和數(shù)據(jù)集有限，在部分場景下的實際性能仍有提升空間。

幸運的是，不同以往 AI 大模型與前沿技術(shù)僅由少數(shù)科技巨頭壟斷，PyTorch、Hugging Face 和 OpenAI 等開源社區(qū)與初創(chuàng)企業(yè)在本輪浪潮中也起到了關(guān)鍵作用。借鑒開源社區(qū)的成功經(jīng)驗，Colossal-AI 歡迎各方參與共建，擁抱大模型時代！

可通過以下方式聯(lián)系或參與：

1. 在 GitHub 發(fā)布 issue 或提交 pull request (PR)

2. 加入 Colossal-AI 用戶微信或 Slack 群交流

3. 發(fā)送正式合作提案到郵箱 youy@comp.nus.edu.sg

開源地址：

?https://github.com/hpcaitech/ColossalAI?

責任編輯：張燕妮來源：機器之心

AI 方案

0門檻克隆方案再升級，開源模型完整復(fù)現(xiàn)，在線體驗無需注冊