大模型技术实践（二）｜关于Llama 2你需要知道的那些事儿

在上期文章中，我们简要回顾了Llama模型的概况，本期文章我们将详细探讨【关于Llama 2】，你需要知道的那些事儿。

1、Llama 2的性能有多好？

作为Meta新发布的SOTA开源大型语言模型，Llama 2是Llama模型的延续和升级。Llama 2家族模型包括了Llama 2预训练模型和Llama 2-chat微调模型，分别有7B、13B和70B参数量的版本，覆盖了不同的应用场景需求。

1.1 训练数据

Llama 2在预训练语料上比Llama增加了40%，增至2万亿个token，且训练数据中的文本来源更加的多样化。此外，Llama 2对应的微调模型是在超过100万条人工标注的数据下训练而成。

图1: Llama 2模型概览 [1]

1.2 模型评估

从模型评估上看，Llama 2在众多的基准测试中，如推理、编程、对话能力和知识测验上，都优于一代Llama和现有的开源大模型。

图2: Llama 2在不同基准测试上的得分

虽然Llama 2-70B在推理任务上表现接近GPT-3.5，但是在综合性能上还是无法与OpenAI的GPT-4和Google的PaLM-2-L等闭源大模型相媲美，尤其在编程基准上远落后于两者。

图3: Llama 2，GPT和PaLM三者在不同基准测试上的得分

2、解锁Llama 2的模型结构

2.1 Llama 2模型架构

Llama 2在预训练设置和模型架构上和一代模型非常相似。

如图4和图5所示，Llama系列模型都使用了自回归Transformer架构，即Transformer's decoder-only架构。两代模型的一致性体现在：

a. 预归一化（Pre-normalization）：对每一个transformer的子层输入都进行归一化，使用RMSNorm归一化函数

b. SwiGLU激活函数：在前馈神经网络（FFN）使用SwiGLU 激活函数替换了Transformer中的 ReLU 激活函数来提升性能

c. 旋转嵌入编码（Rotary Positional Embeddings，RoPE）：RoPE可以兼顾相对位置和绝对位置的信息以提高模型的泛化能力

2.2 Llama 2训练亮点

除了上文提到的训练数据的增加，Llama 2在训练过程方面也有两个亮点值得我们关注。第一，上下文长度的扩大提升了模型的理解能力；第二，分组查询注意力机制提高了模型的推理速度。

2.2.1 上下文窗口扩大

Llama 2的上下文长度比Llama扩大了一倍，从2048个token拓展至4096个token。更长的上下文窗口意味着更多的聊天用例可被采用，进而模型的理解能力得以提升。

2.2.2 Grouped-Query注意力

在Attention的实现上，Llama 2 30B以上的模型采用了分组查询注意力机制（Grouped-Query Attention，GQA），见图5和图6。

图6: Llama 2使用GQA [2]

自回归模型的解码通过缓存序列先前标记的键（K）值（V）对来加速注意力的计算。然而随着Batch Size和上下文窗口的增大，多头注意力模型（Multi-head Attenrion，MHA）的内存成本会随之显著增大。

图7: "GQA: Training Generalized Multi-Query Transformer Models from Multi-Head Checkpoints" [3]

GQA的优势在于其将Query进行分组，组内共享KV，这样使得K和V的预测可以跨多个头共享，从而显著降低计算和内存需求，提升推理速度。

2.3 Llama 2-chat微调流程

Meta致力于在偏好数据上训练奖励模型，然后采用强化学习进行优化，从而提高生成的质量。

2.3.1 SFT + RLHF by RS and PPO

和InstructGPT类似，在Llama 2-chat对话模型微调流程分为：

a. 自监督训练后获得Llama 2基座模型

b. 监督微调（Supervised fine-tuning，SFT）

c. 人类反馈强化学习（Reinforcement learning with human feedback，RLHF）：拒绝采样 + 近端策略优化

RLHF使用了拒绝采样（Rejection Sampling fine-tuning，RS）和近端策略优化（Proximal Policy Optimization，PPO）两个优化算法。拒绝采样的原理为模型输出时采样K个结果，用当前时刻最好的奖励模型打分，选择奖励值最高的一个。在强化学习阶段进行梯度更新，并结合PPO进行RS加PPO的优化处理。

图8: Llama 2-chat的微调过程[1]

Meta一共迭代了5个RLHF版本，分别从V1-V5，但仅公布了最新的V5版本。V5版本迭代的步骤下图所示。

图9: RLHF-V5迭代流程

2.3.2 Quality Is All You Need

Meta使用用户偏好数据训练的两个独立的奖励模型Helpfulness RM和Safty RM，分别对有用性和安全性进行了优化。在SFT的过程中，Llama 2的官方论文[2]着重强调了只需少量高质量的SFT偏好数据就能显著提升结果质量（Quality Is All You Need）。此外，这篇论文也是第一篇指出“RLHF从根本上提高了大模型性能的上限”的论文。