DeepSeek LLM: Skalierung quelloffener Sprachmodelle mit Langzeitperspektive

DeepSeek LLM: Scaling Open-Source Language Models with Longtermism

January 5, 2024

Autoren: DeepSeek-AI, Xiao Bi, Deli Chen, Guanting Chen, Shanhuang Chen, Damai Dai, Chengqi Deng, Honghui Ding, Kai Dong, Qiushi Du, Zhe Fu, Huazuo Gao, Kaige Gao, Wenjun Gao, Ruiqi Ge, Kang Guan, Daya Guo, Jianzhong Guo, Guangbo Hao, Zhewen Hao, Ying He, Wenjie Hu, Panpan Huang, Erhang Li, Guowei Li, Jiashi Li, Yao Li, Y. K. Li, Wenfeng Liang, Fangyun Lin, A. X. Liu, Bo Liu, Wen Liu, Xiaodong Liu, Xin Liu, Yiyuan Liu, Haoyu Lu, Shanghao Lu, Fuli Luo, Shirong Ma, Xiaotao Nie, Tian Pei, Yishi Piao, Junjie Qiu, Hui Qu, Tongzheng Ren, Zehui Ren, Chong Ruan, Zhangli Sha, Zhihong Shao, Junxiao Song, Xuecheng Su, Jingxiang Sun, Yaofeng Sun, Minghui Tang, Bingxuan Wang, Peiyi Wang, Shiyu Wang, Yaohui Wang, Yongji Wang, Tong Wu, Y. Wu, Xin Xie, Zhenda Xie, Ziwei Xie, Yiliang Xiong, Hanwei Xu, R. X. Xu, Yanhong Xu, Dejian Yang, Yuxiang You, Shuiping Yu, Xingkai Yu, B. Zhang, Haowei Zhang, Lecong Zhang, Liyue Zhang, Mingchuan Zhang, Minghua Zhang, Wentao Zhang, Yichao Zhang, Chenggang Zhao, Yao Zhao, Shangyan Zhou, Shunfeng Zhou, Qihao Zhu, Yuheng Zou

cs.AI

Zusammenfassung

Die rasante Entwicklung von Open-Source-Großsprachmodellen (LLMs) ist wahrlich bemerkenswert. Allerdings zeigen die in der bisherigen Literatur beschriebenen Skalierungsgesetze unterschiedliche Schlussfolgerungen, was eine gewisse Unsicherheit in Bezug auf die Skalierung von LLMs mit sich bringt. Wir vertiefen uns in die Erforschung von Skalierungsgesetzen und präsentieren unsere einzigartigen Erkenntnisse, die die Skalierung von groß angelegten Modellen in zwei häufig verwendeten Open-Source-Konfigurationen, 7B und 67B, erleichtern. Angeleitet durch die Skalierungsgesetze stellen wir DeepSeek LLM vor, ein Projekt, das sich der Weiterentwicklung von Open-Source-Sprachmodellen mit einer langfristigen Perspektive widmet. Um die Pre-Training-Phase zu unterstützen, haben wir einen Datensatz entwickelt, der derzeit aus 2 Billionen Tokens besteht und kontinuierlich erweitert wird. Wir führen zudem Supervised Fine-Tuning (SFT) und Direct Preference Optimization (DPO) an den DeepSeek LLM Basismodellen durch, was zur Erstellung der DeepSeek Chat-Modelle führt. Unsere Evaluierungsergebnisse zeigen, dass DeepSeek LLM 67B LLaMA-2 70B in verschiedenen Benchmarks übertrifft, insbesondere in den Bereichen Code, Mathematik und logisches Denken. Darüber hinaus zeigen offene Evaluierungen, dass DeepSeek LLM 67B Chat eine überlegene Leistung im Vergleich zu GPT-3.5 aufweist.

English

The rapid development of open-source large language models (LLMs) has been truly remarkable. However, the scaling law described in previous literature presents varying conclusions, which casts a dark cloud over scaling LLMs. We delve into the study of scaling laws and present our distinctive findings that facilitate scaling of large scale models in two commonly used open-source configurations, 7B and 67B. Guided by the scaling laws, we introduce DeepSeek LLM, a project dedicated to advancing open-source language models with a long-term perspective. To support the pre-training phase, we have developed a dataset that currently consists of 2 trillion tokens and is continuously expanding. We further conduct supervised fine-tuning (SFT) and Direct Preference Optimization (DPO) on DeepSeek LLM Base models, resulting in the creation of DeepSeek Chat models. Our evaluation results demonstrate that DeepSeek LLM 67B surpasses LLaMA-2 70B on various benchmarks, particularly in the domains of code, mathematics, and reasoning. Furthermore, open-ended evaluations reveal that DeepSeek LLM 67B Chat exhibits superior performance compared to GPT-3.5.