社区供稿｜哔哩哔哩大语言模型 Index-1.9B 发布

大家好，今天我们很高兴首次发布 Index 系列模型中的轻量版本：Index-1.9B 系列。

体验地址: https://hf.co/spaces/IndexTeam/Index-1.9B

本次开源的 Index-1.9B 系列包含以下模型:

Index-1.9B base : 基座模型，具有 19 亿 非词嵌入参数量，在2.8T 中英文为主的语料上预训练，多个评测基准上与同级别模型比处于领先。

Index-1.9B pure : 基座模型的对照组，与 base 具有相同的参数和训练策略，不同之处在于我们严格过滤了该版本语料中所有指令相关的数据，以此来验证指令对 benchmark 的影响 (详见 2.3 章节)。

Index-1.9B chat : 基于 index-1.9B base 通过 SFT 和 DPO 对齐后的对话模型，我们发现由于预训练中引入了较多定向清洗对话类语料，聊天的 趣味性 明显更强。

Index-1.9B character : 在SFT 和 DPO 的基础上引入了 RAG 来实现 fewshots角色扮演定制

目前，我们已在 GitHub ( https://github.com/bilibili/Index-1.9B )，Hugging Face ( https://hf.co/IndexTeam ) 上开源。期待听到你们的使用反馈！

^{注: 一些模型采用了 report 的分数，我们做了注释；
其中 MiniCPM[1]-Decay 为官方放出的 history 里注明的 280000 步的 ckpt。}

注：下列章节中的实验指标分数，是评测 Ceval (5-shot), CMMLU (5-shot), MMLU (5-shot), Arc-C (0-shot), Arc-E (0-shot), Hellaswag (0-shot)，求平均得到平均指标分数。我们以此作为观察模型表现的指标，进行消融实验。

模型不同层的梯度尺度分布非常不同， 最后一层 LM-Head 的梯度，占据了绝大部分的梯度大小 。而词表的稀疏性让 LM-Head 层稳定性较低，影响模型训练稳定性，进而影响模型性能表现，所以稳定的 LM-Head 层对于训练非常重要。

^{模型不同层的梯度尺度分布观察，}

^{LM-Head 层梯度占据绝大部分}

我们认为 Norm-Head ^[2] (即对 LM-Head 层进行 Norm，可以动态的缩放 LM-Head 层大小)，有利于更稳定的训练，我们引入此机制并做实验观察，实验结果如下:

• Norm-Head 版本稳定高于 Base 版本

• 观察 Gradient Norm，Norm-Head 版本的绝对值更高，初始有一个快速上升，整体相对 Base 的上扬幅度更低

实验设置：基于 1B 的模型训练 1T 数据，Cosine 学习率，Max-LR 为 2e-4，对照组添加 Norm-Head。我们在 0.1B 规模上观察到了同样的表现

^{左: norm-head 指标对比，}

^{右: norm-head 的 gradient norm 对比}

模型应该设置多少层，瘦点好还是胖点好，还是没影响？OpenAI 著名的 Scaling Law ^[3] 文章，指出模型大小是影响模型性能的最核心因素，形状无关；而 DeepMind 在前 LLM 的 BERT 时代，曾指出高瘦的模型形状相对于矮胖，在下游微调任务上 GLUE 任务集性能更好 ^[4] 。带着这样的疑问，我们做了固定参数大小 (Flops 也等价)，不同层数的实验。

我们基于实验观察， 同样大小前提下，适当增加深度指标更好 。但有两个注意问题：

• 显存增加的问题。同参数下，增加层数 (矮胖->高瘦) 会增加显存。这是因为训练中 Activation 占大头，Activation 显存占用与 (层数 L * hidden_size) 正比，而参数量 &FLOPS 和 (层数 L * hidden_size * hidden_size) 正比。

• 层数加深到多大的程度收益微弱？这个我们还未充分实验，留待以后进一步探索。

实验设置: Base 36 层， 对照组 9 层，维持模型参数基本一致，均为 1.01B non-emb 参数。

^{base 和更宽更浅的模型对比}

在 LLM 训练中， 朴素的设定常常产生深刻的影响，学习率设定就是典型 。我们基于实践发现，学习率的设定会对模型的训练性能产生非常深刻的影响。学习率调度和数据配合，更能让模型性能再获突破。

仅仅改变学习率大小，能够让模型性能产生稳定而显著的差别，合适的更大的学习率有利于模型的表现。

实验设置: 基于 1B 的模型训练 1T 数据，Cosine 学习率，其中 Base Max-LR 为 2e-4，对照组 Max LR 为 5e-4

^{仅仅改变学习率大小，}

^{能够让模型性能产生稳定而显著的差别}

Cosine 学习率调度是大多数 LLM 的训练默认选择，但是否是唯一解，其他学习率调度影响如何？

基于 0.1B 的模型我们分别使用 Cosine, Linear 和 WSD 学习率调度，训练 1T 的数据，可以发现：

• 三种学习率曲线的 valid loss 最终收敛到一起

• WSD 的 Stable 阶段 loss 偏高，进入 Decay 阶段则 loss 快速下降

• 指标评测上基本接近

我们可以发现，不同的学习率调度， 只要学习率收敛尺度一致，最终 loss 和指标都是接近的 ，这就为学习率调度和数据配合打下了基础。

^{左: 0.1B 模型学习率调度实验: Cosine, Linear, WSD 的学习率和 loss 曲线}

^{右: 0.1B 模型学习率调度实验: Cosine, Linear, WSD 的评测指标相近}

我们有如下初步假设:

• WSD 学习率在 Decay 阶段有一个 Loss 快速下降的过程，

• 模型学习后期加入更多精选数据有利于模型效果

这两者是否能结合达到最佳的效果？我们做了如下消融实验：

• cosine: Cosine 学习率，无数据调整

• wsd: WSD 学习率，无数据调整

• cosine+quality: Cosine 学习率，后 10% 加入更多精选数据配比

• wsd+quality: WSD 学习率，后 10% 进入 Decay 阶段，并加入和 cosine+quality 同样的精选数据配比

我们发现， 学习率和数据配合可以让模型性能获得突破 ：WSD 学习率调度下，Decay 阶段加入高质量数据，可以获得最佳效果。

其中 cosine+quality 比无数据调整，指标略低，我们猜测可能有数据适应过程，且 cosine 末期学习率太低。我们会在未来补充更多的实验来验证。

^{不同学习率和数据策略组合的实验}

在预训练中是否加入指令是个值得讨论的地方，但目前公开的讨论较少，我们有如下问题想进行实验探究:

1.  加入指令是否能大幅提高 benchmark 表现，从而变成打榜 “优等生”

2.  能提高多少？

^{说明: 天工技术报告[5] ( https://arxiv.org/pdf/2310.19341 ) 中指出部分模型，将 GSM8K  训练集/测试集加入预训练但未明确阐述}

我们做了相应的探索，设置两组实验，Stable 结束后的 Decay 阶段训练 5w 步，细节设定如下：

• index-1.9b-ablation-pure: Decay 阶段自然文本数据，精选数据做重新放入增加浓度（书籍、论文、百科、专业等类别）

• index-1.9b-ablation-boost: 实验组在 Decay 阶段自然文本数据的基础上，额外加入占比 7% 的指令 (唯一变量)

MMLU 对比曲线如下:

可以观察到：

1.  进入 Decay 阶段后，指标均会大幅上升

2. 额外添加 7% 的指令，能明显提升指标 ，MMLU 指标的差距在 7.x 个百分点

全面的指标评测如下：

^{注: 此为实验对比版本，非最终 release 版本}

训练 1.9B 模型过程中，在还未 Decay 的 Stable 阶段，观测到了一次模型性能的突涨:

1.  前 1T 数据: Ceval / MMLU 一直在 27.x / 26.x 附近震荡

2.  1T ~ 1.2T: Ceval / MMLU 快速上涨到 36.x / 33.x，这个指标已经超过了一批 7B 的模型

我们还不能很好解释原因，可能得益于高质量数据和高学习率的稳定，让模型 Decay 之前已获得了不错性能，这个留待以后进行进一步的研究。

^{注: Stable阶段的MMLU分数曲线，}

^{可以明显观察到训练至 1T~1.2T 区间指标迅速上涨 (语料无变动)}

为了进一步对齐人类的偏好，我们基于 Index 1.9b base model 进行了 SFT 和 DPO 训练。

• 数据: 我们收集了 10M 以上的高质量中英文指令数据，参照了主流的聚类增强多样性和奖励模型打分策略对数据进行清洗和筛选，筛选出高质量且多样的子集；同时，对 sft 表现欠缺的指令任务，构造和标注了相应数据。最终得到不超过 10 万条的高质量指令数据集。
  

• 训练: chat 模型采用 system-query-response 的格式。优化器和训练参数和预训练阶段保持一致，采用1e-5 学习率。packing 方式和预训练大体保持一致，采用crossdoc 拼接 batch 的方式以提高训练效率，不同之处在于 sft 阶段我们会 mask 掉非 response 部分不参与 loss 计算。我们实验了是否 加载预训练优化器 参数和是否按一定比例 replay 预训练语料 。最终发现加载参数并且保持 sft 指令参与 loss 计算的 tokens 占比在 60% 是较优设置。

• 系统指令跟随: 通过调整系统指令，能够引导模型给出不同设定和风格的回答，从而实现角色扮演，语言风格转化等能力。具体的示例见附录的输出样例。

附: sft 实验的内部评测结果 (3分满分)

在 DPO 阶段 ^[6] ，我们主要针对写作类、指令遵循和安全进一步对齐。一方面，对于写作类任务，回答具备开放性，单一的目标文本并不一定是最优的回答，模型在 DPO 优化中能学会优劣的标准，从而生成更符合人类偏好的回答；另一方面，对于指令遵循和安全性任务，通过学习对比 chosen 和 reject 回答，模型能掌握指令的要求以及拒答的类型，从而更进一步对齐人类偏好，一个比较好的例子是指令遵循中的字数控制。总的来说，我们认为 评价标准偏判别而非枚举的任务 通过偏好学习可以取得最大的收益。

• 数据: 针对生成类数据，我们从 sft 数据集中筛选出偏生成写作类的 prompt，用我们自训练的奖励模型对模型生成的回答进行打分，然后整理成 pair 对；针对指令遵循类的数据，我们通过人工构造和标注了对应的 pair 数据；针对安全类数据，我们尝试了两种方案，示例如下表所示。第一种方案是人工编写了一个拒答集合，从该集合中抽取拒答话术作为 chosen，SFT 模型生成的回答作为 reject；第二种方案是调整系统指令，让我们的SFT模型针对问题生成拒答作为 chosen，reject 保持。在 DPO 优化中，我们发现第二种方案可以让模型更好的针对安全问题学会拒答，原因是人工构造的拒答样本在 sft 模型中的 ppl 过高，如果强行对齐又会导致拒答率较高，带来灾难性遗忘。因此我们采用了第二种方案。最终，我们一共整理构造了超过 10w 条高质量的 pair 数据。

• 训练: 与 SFT 相同的训练格式。学习率设置为 1e-6，调度器采用 cosine，损失函数中的超参数 beta 设置为 0.1。训练进行了 1 个 epoch。