https://github.com/baichuan-inc/Baichuan-7B

A large-scale 7B pretraining language model developed by BaiChuan-Inc.
https://github.com/baichuan-inc/Baichuan-7B

artificial-intelligence ceval chatgpt chinese gpt-4 huggingface large-language-models llama mmlu natural-language-processing

Last synced: about 1 month ago
JSON representation

A large-scale 7B pretraining language model developed by BaiChuan-Inc.

• Host: GitHub
• URL: https://github.com/baichuan-inc/Baichuan-7B
• Owner: baichuan-inc
• License: apache-2.0
• Created: 2023-06-14T10:57:51.000Z (over 1 year ago)
• Default Branch: main
• Last Pushed: 2024-07-18T14:23:01.000Z (5 months ago)
• Last Synced: 2024-10-29T14:50:43.017Z (about 1 month ago)
• Topics: artificial-intelligence, ceval, chatgpt, chinese, gpt-4, huggingface, large-language-models, llama, mmlu, natural-language-processing
• Language: Python
• Homepage: https://huggingface.co/baichuan-inc/baichuan-7B
• Size: 3.83 MB
• Stars: 5,670
• Watchers: 67
• Forks: 506
• Open Issues: 90
• Metadata Files:
  • Readme: README.md
  • License: LICENSE

Awesome Lists containing this project

• awesome-llm-and-aigc - Baichuan-7B（百川-7B） - inc/Baichuan-7B?style=social"/> : A large-scale 7B pretraining language model developed by BaiChuan-Inc. Baichuan-7B 是由百川智能开发的一个开源可商用的大规模预训练语言模型。基于 Transformer 结构，在大约 1.2 万亿 tokens 上训练的 70 亿参数模型，支持中英双语，上下文窗口长度为 4096。在标准的中文和英文 benchmark（C-Eval/MMLU）上均取得同尺寸最好的效果。[huggingface.co/baichuan-inc/baichuan-7B](https://huggingface.co/baichuan-inc/Baichuan-7B) (Summary)
• awesome-llm-and-aigc - Baichuan-7B（百川-7B） - inc/Baichuan-7B?style=social"/> : A large-scale 7B pretraining language model developed by BaiChuan-Inc. Baichuan-7B 是由百川智能开发的一个开源可商用的大规模预训练语言模型。基于 Transformer 结构，在大约 1.2 万亿 tokens 上训练的 70 亿参数模型，支持中英双语，上下文窗口长度为 4096。在标准的中文和英文 benchmark（C-Eval/MMLU）上均取得同尺寸最好的效果。[huggingface.co/baichuan-inc/baichuan-7B](https://huggingface.co/baichuan-inc/Baichuan-7B) (Summary)

README

        






  Baichuan-7B







🤗 Hugging Face • 🤖 ModelScope • 💬 WeChat





[![license](https://img.shields.io/github/license/modelscope/modelscope.svg)](https://github.com/baichuan-inc/Baichuan-7B/blob/main/LICENSE)



    



        中文 |

        English

    







# 更新信息

- [2023.09.06] 我们发布了新一代开源模型 [Baichuan 2](https://github.com/baichuan-inc/Baichuan2)，包含 7B、13B 尺寸 🔥🔥🔥

# 介绍

Baichuan-7B 是由百川智能开发的一个开源可商用的大规模预训练语言模型。基于 Transformer 结构，在大约 1.2 万亿 tokens 上训练的 70 亿参数模型，支持中英双语，上下文窗口长度为 4096。在标准的中文和英文 benchmark（C-Eval/MMLU）上均取得同尺寸最好的效果。

# 公开benchmark榜单

## 中文评测

### C-Eval

[C-Eval 数据集](https://cevalbenchmark.com/index.html)是一个全面的中文基础模型评测数据集，涵盖了 52 个学科和四个难度的级别。我们使用该数据集的 dev 集作为 few-shot 的来源，在 test 集上进行了 `5-shot` 测试。通过执行执行下面的命令：

```bash

cd evaluation

python evaluate_zh.py --model_name_or_path 'your/model/path'

```

### 结果

|        Model 5-shot         | Average | Avg(Hard) | STEM  | Social Sciences | Humanities | Others |

| :-------------------------: | :-----: | :-------: | :---: | :-------------: | :--------: | :----: |

|            GPT-4            |  68.7   |   54.9    | 67.1  |      77.6       |    64.5    |  67.8  |

|           ChatGPT           |  54.4   |   41.4    | 52.9  |      61.8       |    50.9    |  53.6  |

|         Claude-v1.3         |  54.2   |   39.0    | 51.9  |      61.7       |    52.1    |  53.7  |

|     Claude-instant-v1.0     |  45.9   |   35.5    | 43.1  |      53.8       |    44.2    |  45.4  |

|          BLOOMZ-7B          |  35.7   |   25.8    | 31.3  |      43.5       |    36.6    |  35.6  |

|         ChatGLM-6B          |  34.5   |   23.1    | 30.4  |      39.6       |    37.4    |  34.5  |

|   Ziya-LLaMA-13B-pretrain   |  30.2   |   22.7    | 27.7  |      34.4       |    32.0    |  28.9  |

|  moss-moon-003-base (16B)   |  27.4   |   24.5    | 27.0  |      29.1       |    27.2    |  26.9  |

|         LLaMA-7B-hf         |  27.1   |   25.9    | 27.1  |      26.8       |    27.9    |  26.3  |

|          Falcon-7B          |  25.8   |   24.3    | 25.8  |      26.0       |    25.8    |  25.6  |

|      TigerBot-7B-base       |  25.7   |   27.0    | 27.3  |      24.7       |    23.4    |  26.1  |

|    Aquila-7B*    |  25.5   |   25.2    | 25.6  |      24.6       |    25.2    |  26.6  |

| Open-LLaMA-v2-pretrain (7B) |  24.0   |   22.5    | 23.1  |      25.3       |    25.2    |  23.2  |

|          BLOOM-7B           |  22.8   |   20.2    | 21.8  |      23.3       |    23.9    |  23.3  |

|       **Baichuan-7B**       |  42.8   |   31.5    | 38.2  |      52.0       |    46.2    |  39.3  |

### Gaokao

[Gaokao](https://github.com/OpenLMLab/GAOKAO-Bench) 是一个以中国高考题作为评测大语言模型能力的数据集，用以评估模型的语言能力和逻辑推理能力。

我们只保留了其中的单项选择题，随机划分后对所有模型进行统一 `5-shot` 测试。

### 结果

以下是测试的结果。

|          Model          |  Average  |

| :---------------------: | :-------: |

|        BLOOMZ-7B        |   28.72   |

|        LLaMA-7B         |   27.81   |

|        BLOOM-7B         |   26.96   |

|    TigerBot-7B-base     |   25.94   |

|        Falcon-7B        |   23.98   |

| Ziya-LLaMA-13B-pretrain |   23.17   |

|       ChatGLM-6B        |   21.41   |

| Open-LLaMA-v2-pretrain  |   21.41   |

|  Aquila-7B*  |   24.39   |

|     **Baichuan-7B**     | **36.24** |

### AGIEval

[AGIEval](https://github.com/microsoft/AGIEval) 旨在评估模型的认知和解决问题相关的任务中的一般能力。

我们只保留了其中的四选一单项选择题，随机划分后对所有模型进行了统一 `5-shot` 测试。

### 结果

|          Model          |  Average  |

| :---------------------: | :-------: |

|        BLOOMZ-7B        |   30.27   |

|        LLaMA-7B         |   28.17   |

| Ziya-LLaMA-13B-pretrain |   27.64   |

|        Falcon-7B        |   27.18   |

|        BLOOM-7B         |   26.55   |

|  Aquila-7B*  |   25.58   |

|    TigerBot-7B-base     |   25.19   |

|       ChatGLM-6B        |   23.49   |

| Open-LLaMA-v2-pretrain  |   23.49   |

|     **Baichuan-7B**     | **34.44** |

*其中 Aquila 模型来源于智源官方网站() 仅做参考

## 英文榜单

除了中文之外，Baichuan-7B也测试了模型在英文上的效果，[MMLU](https://arxiv.org/abs/2009.03300) 是包含 57 个多选任务的英文评测数据集，涵盖了初等数学、美国历史、计算机科学、法律等，难度覆盖高中水平到专家水平，是目前主流的LLM评测数据集。我们采用了[开源](https://github.com/hendrycks/test) 的评测方案，最终 `5-shot` 结果如下所示：

### 结果

|                Model                 | Humanities | Social Sciences |   STEM   |  Other   | Average  |

| :----------------------------------: | :--------: | :-------------: | :------: | :------: | :------: |

|        ChatGLM-6B0        |    35.4    |      41.0       |   31.3   |   40.5   |   36.9   |

|        BLOOMZ-7B0         |    31.3    |      42.1       |   34.4   |   39.0   |   36.1   |

|          mpt-7B1          |     -      |        -        |    -     |    -     |   35.6   |

|         LLaMA-7B2         |    34.0    |      38.3       |   30.5   |   38.1   |   35.1   |

|        Falcon-7B1         |     -      |        -        |    -     |    -     |   35.0   |

| moss-moon-003-sft (16B)0  |    30.5    |      33.8       |   29.3   |   34.4   |   31.9   |

|         BLOOM-7B0         |    25.0    |      24.4       |   26.5   |   26.4   |   25.5   |

| moss-moon-003-base (16B)0 |    24.2    |      22.8       |   22.4   |   24.4   |   23.6   |

|     **Baichuan-7B0**      |  **38.4**  |    **48.9**     | **35.6** | **48.1** | **42.3** |

0: 重新复现


1: https://huggingface.co/spaces/HuggingFaceH4/open_llm_leaderboard


2: https://paperswithcode.com/sota/multi-task-language-understanding-on-mmlu


### 复现方法

```bash

git clone https://github.com/hendrycks/test

cd test

wget https://people.eecs.berkeley.edu/~hendrycks/data.tar

tar xf data.tar

mkdir results

cp ../evaluate_mmlu.py .

python evaluate_mmlu.py -m /path/to/Baichuan-7B

```

其中在 MMLU 上57个任务的具体细指标如下图：



    



其中各个学科的指标如下图：



    



# 推理方法

推理代码已经在[官方 Huggingface 库](https://huggingface.co/baichuan-inc/Baichuan-7B)

```python

from transformers import AutoModelForCausalLM, AutoTokenizer

tokenizer = AutoTokenizer.from_pretrained("baichuan-inc/Baichuan-7B", trust_remote_code=True)

model = AutoModelForCausalLM.from_pretrained("baichuan-inc/Baichuan-7B", device_map="auto", trust_remote_code=True)

inputs = tokenizer('登鹳雀楼->王之涣\n夜雨寄北->', return_tensors='pt')

inputs = inputs.to('cuda:0')

pred = model.generate(**inputs, max_new_tokens=64,repetition_penalty=1.1)

print(tokenizer.decode(pred.cpu()[0], skip_special_tokens=True))

```

# 数据

* 原始数据包括开源的中英文数据和自行抓取的中文互联网数据，以及部分高质量知识性数据。

* 参考相关数据工作，频率和质量是数据处理环节重点考虑的两个维度。 我们基于启发式规则和质量模型打分，对原始数据集进行篇章和句子粒度的过滤。在全量数据上，利用局部敏感哈希方法，对篇章和句子粒度做滤重。

整体流程如下所示：



    


    

    




* 经过不断的调整和多轮测试，最终确认了一个在下游任务上表现最好的中英文配比。

* 我们使用了一个基于自动学习的数据权重策略，对不同类别的数据进行配比。

# 分词

我们参考学术界方案使用 SentencePiece 中的 Byte-Pair Encoding (BPE) 作为分词算法，并且进行了以下的优化：

1. 目前大部分开源模型主要基于英文优化，因此对中文语料存在效率较低的问题。我们使用 2000 万条以中英为主的多语言语料训练分词模型，显著提升对于中文的压缩率。

2. 对于数学领域，我们参考了 LLaMA 和 Galactica 中的方案，对数字的每一位单独分开，避免出现数字不一致的问题，对于提升数学能力有重要帮助。

3. 对于罕见字词（如特殊符号等），支持 UTF-8 characters 的 byte 编码，因此做到未知字词的全覆盖。

4. 我们分析了不同分词器对语料的压缩率，如下表，可见我们的分词器明显优于 LLaMA, Falcon 等开源模型，并且对比其他中文分词器在压缩率相当的情况下，训练和推理效率更高。

|     Model     | Baichuan-7B | LLaMA  | Falcon | mpt-7B | ChatGLM | moss-moon-003 |

| :-----------: | :---------: | :----: | :----: | :----: | :-----: | :-----------: |

| Compress Rate |    0.737    | 1.312  | 1.049  | 1.206  |  0.631  |     0.659     |

|  Vocab Size   |   64,000    | 32,000 | 65,024 | 50,254 | 130,344 |    106,029    |

# 模型结构

整体模型基于标准的 Transformer 结构，我们采用了和 LLaMA 一样的模型设计

* 位置编码：[rotary-embedding](https://arxiv.org/abs/2104.09864) 是现阶段被大多模型采用的位置编码方案，具有更好的外延效果。虽然训练过程中最大长度为4096，但是实际测试中模型可以很好的扩展到 5000 tokens 以上，如下图：



    



* 激活层：SwiGLU, Feedforward 变化为 8/3 倍的隐含层大小，即 11,008

* Layer-Normalization: 基于 [RMSNorm](https://arxiv.org/abs/1910.07467) 的 Pre-Normalization

# 训练稳定性和吞吐

我们在原本的 LLaMA 框架上进行诸多修改以提升训练时的吞吐，具体包括：

1. 算子优化技术：采用更高效算子，如 Flash-Attention，NVIDIA apex 的 RMSNorm 等。

2. 算子切分技术：将部分计算算子进行切分，减小内存峰值。

3. 混合精度技术：降低在不损失模型精度的情况下加速计算过程。

4. 训练容灾技术：训练平台和训练框架联合优化，IaaS + PaaS 实现分钟级的故障定位和任务恢复。

5. 通信优化技术，具体包括：

   1. 采用拓扑感知的集合通信算法，避免网络拥塞问题，提高通信效率。

   2. 根据卡数自适应设置 bucket size，提高带宽利用率。

   3. 根据模型和集群环境，调优通信原语的触发时机，从而将计算和通信重叠。

基于上述的几个优化技术，我们在千卡 A800 显卡上达到了 7B 模型 182 TFLOPS 的吞吐，GPU 峰值算力利用率高达 58.3%。

最终的loss如下图：



    



# 训练方法

## 安装依赖

```bash

pip install -r requirements.txt

```

## 准备数据

用户将训练语料按总rank数的倍数均匀切分成多个 UTF-8 文本文件，放置在语料目录（默认为 `data_dir` ）下。各个rank进程将会读取语料目录下的不同文件，全部加载到内存后，开始后续训练过程。以上是简化的示范流程，建议用户在正式训练任务中，根据需求调整数据生产逻辑。

## 下载 tokenizer 模型

下载 tokenizer 模型文件 [tokenizer.model](https://huggingface.co/baichuan-inc/Baichuan-7B/blob/main/tokenizer.model) ，放置在项目目录下。

## 配置 DeepSpeed

本示范代码采用 DeepSpeed 框架进行训练。用户需根据集群情况，修改 `config/hostfile` ，如果是多机多卡，需要修改 ssh 中各个节点的 IP 配置。具体可以参见 DeepSpeed [官方说明](https://www.deepspeed.ai/) 。

## 执行训练

```python

scripts/train.sh

```

# 协议

对本仓库源码的使用遵循开源许可协议 [Apache 2.0](https://github.com/baichuan-inc/Baichuan-7B/blob/main/LICENSE)。

Baichuan-7B 支持商用。如果将 Baichuan-7B 模型或其衍生品用作商业用途，请您按照如下方式联系许可方，以进行登记并向许可方申请书面授权：联系邮箱：， 具体许可协议可见[《Baichuan-7B 模型许可协议》](https://huggingface.co/baichuan-inc/Baichuan-7B/resolve/main/baichuan-7B%20%E6%A8%A1%E5%9E%8B%E8%AE%B8%E5%8F%AF%E5%8D%8F%E8%AE%AE.pdf)。

# Third-Party Resources

1. [LLaMA Efficient Tuning](https://github.com/hiyouga/LLaMA-Efficient-Tuning) 支持Baichuan-7B使用Qlora进行Finetune，支持RLHF，支持WebDemo。使用经过sft的模型见 [hiyouga/baichuan-7b-sft](https://huggingface.co/hiyouga/baichuan-7b-sft)。

2. [fireballoon/baichuan-vicuna-chinese-7b](https://huggingface.co/fireballoon/baichuan-vicuna-chinese-7b) 使用 ShareGPT, ShareGPT-ZH, COT & COT-ZH, Leetcode, dummy等包含中英文的数据Finetune后的模型，训练代码参考FastChat。

3. [fireballoon/baichuan-vicuna-7b](https://huggingface.co/fireballoon/baichuan-vicuna-7b) 使用ShareGPT, COT 和 Leetcode等数据混合Finetune后的模型，训练代码参考FastChat。

4. [Efficient-Tuning-LLMs](https://github.com/jianzhnie/Efficient-Tuning-LLMs) 支持Baichuan-7B使用Qlora进行Finetune和4bit inference。

5. [fastllm](https://github.com/ztxz16/fastllm) fastllm是纯c++实现，无第三方依赖的大模型库，支持Baichuan-7B在手机端运行。

6. [TheBloke/baichuan-7B-GPTQ](https://huggingface.co/TheBloke/baichuan-7B-GPTQ) 对Baichuan-7B的GPTQ 4bit量化。

# Star History

[![Star History Chart](https://api.star-history.com/svg?repos=baichuan-inc/Baichuan-7B&type=Date)](https://star-history.com/#baichuan-inc/Baichuan-7B&Date)