YAYI 2: Multilinguale Open-Source-Großsprachmodelle

YAYI 2: Multilingual Open-Source Large Language Models

December 22, 2023

papers.authors: Yin Luo, Qingchao Kong, Nan Xu, Jia Cao, Bao Hao, Baoyu Qu, Bo Chen, Chao Zhu, Chenyang Zhao, Donglei Zhang, Fan Feng, Feifei Zhao, Hailong Sun, Hanxuan Yang, Haojun Pan, Hongyu Liu, Jianbin Guo, Jiangtao Du, Jingyi Wang, Junfeng Li, Lei Sun, Liduo Liu, Lifeng Dong, Lili Liu, Lin Wang, Liwen Zhang, Minzheng Wang, Pin Wang, Ping Yu, Qingxiao Li, Rui Yan, Rui Zou, Ruiqun Li, Taiwen Huang, Xiaodong Wang, Xiaofei Wu, Xin Peng, Xina Zhang, Xing Fang, Xinglin Xiao, Yanni Hao, Yao Dong, Yigang Wang, Ying Liu, Yongyu Jiang, Yungan Wang, Yuqi Wang, Zhangsheng Wang, Zhaoxin Yu, Zhen Luo, Wenji Mao, Lei Wang, Dajun Zeng

cs.AI

papers.abstract

Als die neuesten Fortschritte in der natürlichen Sprachverarbeitung haben große Sprachmodelle (LLMs) in vielen realen Anwendungen menschenähnliche Fähigkeiten im Sprachverständnis und in der Sprachgenerierung erreicht und werden sogar als ein potenzieller Weg zur künstlichen allgemeinen Intelligenz betrachtet. Um die Forschung an LLMs besser zu fördern, wurden kürzlich viele Open-Source-LLMs wie Llama 2 und Falcon vorgeschlagen, die vergleichbare Leistungen wie proprietäre Modelle erzielen. Diese Modelle sind jedoch hauptsächlich für englischsprachige Szenarien konzipiert und zeigen in chinesischen Kontexten schwache Leistungen. In diesem technischen Bericht stellen wir YAYI 2 vor, das sowohl Basis- als auch Chat-Modelle mit 30 Milliarden Parametern umfasst. YAYI 2 wurde von Grund auf mit einem mehrsprachigen Korpus trainiert, der 2,65 Billionen Token enthält, die durch unsere Vorverarbeitungspipeline für Trainingsdaten gefiltert wurden. Das Basismodell wird durch überwachtes Feinabstimmen mit Millionen von Anweisungen und Reinforcement Learning aus menschlichem Feedback an menschliche Werte angepasst. Umfangreiche Experimente auf mehreren Benchmarks wie MMLU und CMMLU zeigen durchweg, dass das vorgeschlagene YAYI 2 andere Open-Source-Modelle ähnlicher Größe übertrifft.

English

As the latest advancements in natural language processing, large language models (LLMs) have achieved human-level language understanding and generation abilities in many real-world tasks, and even have been regarded as a potential path to the artificial general intelligence. To better facilitate research on LLMs, many open-source LLMs, such as Llama 2 and Falcon, have recently been proposed and gained comparable performances to proprietary models. However, these models are primarily designed for English scenarios and exhibit poor performances in Chinese contexts. In this technical report, we propose YAYI 2, including both base and chat models, with 30 billion parameters. YAYI 2 is pre-trained from scratch on a multilingual corpus which contains 2.65 trillion tokens filtered by our pre-training data processing pipeline. The base model is aligned with human values through supervised fine-tuning with millions of instructions and reinforcement learning from human feedback. Extensive experiments on multiple benchmarks, such as MMLU and CMMLU, consistently demonstrate that the proposed YAYI 2 outperforms other similar sized open-source models.