Llama 2: Offene Grundlage und Feinabgestimmte Chat-Modelle
Llama 2: Open Foundation and Fine-Tuned Chat Models
July 18, 2023
Autoren: Hugo Touvron, Louis Martin, Kevin Stone, Peter Albert, Amjad Almahairi, Yasmine Babaei, Nikolay Bashlykov, Soumya Batra, Prajjwal Bhargava, Shruti Bhosale, Dan Bikel, Lukas Blecher, Cristian Canton Ferrer, Moya Chen, Guillem Cucurull, David Esiobu, Jude Fernandes, Jeremy Fu, Wenyin Fu, Brian Fuller, Cynthia Gao, Vedanuj Goswami, Naman Goyal, Anthony Hartshorn, Saghar Hosseini, Rui Hou, Hakan Inan, Marcin Kardas, Viktor Kerkez, Madian Khabsa, Isabel Kloumann, Artem Korenev, Punit Singh Koura, Marie-Anne Lachaux, Thibaut Lavril, Jenya Lee, Diana Liskovich, Yinghai Lu, Yuning Mao, Xavier Martinet, Todor Mihaylov, Pushkar Mishra, Igor Molybog, Yixin Nie, Andrew Poulton, Jeremy Reizenstein, Rashi Rungta, Kalyan Saladi, Alan Schelten, Ruan Silva, Eric Michael Smith, Ranjan Subramanian, Xiaoqing Ellen Tan, Binh Tang, Ross Taylor, Adina Williams, Jian Xiang Kuan, Puxin Xu, Zheng Yan, Iliyan Zarov, Yuchen Zhang, Angela Fan, Melanie Kambadur, Sharan Narang, Aurelien Rodriguez, Robert Stojnic, Sergey Edunov, Thomas Scialom
cs.AI
Zusammenfassung
In dieser Arbeit entwickeln und veröffentlichen wir Llama 2, eine Sammlung vortrainierter und feinabgestimmter großer Sprachmodelle (LLMs) mit einer Skala von 7 bis 70 Milliarden Parametern. Unsere feinabgestimmten LLMs, genannt Llama 2-Chat, sind für Dialoganwendungen optimiert. Unsere Modelle übertreffen Open-Source-Chatmodelle in den meisten von uns getesteten Benchmarks und könnten, basierend auf unseren menschlichen Bewertungen hinsichtlich Hilfsbereitschaft und Sicherheit, eine geeignete Alternative zu proprietären Modellen darstellen. Wir bieten eine detaillierte Beschreibung unseres Ansatzes zur Feinabstimmung und Sicherheitsverbesserung von Llama 2-Chat, um der Gemeinschaft zu ermöglichen, auf unserer Arbeit aufzubauen und zur verantwortungsvollen Entwicklung von LLMs beizutragen.
English
In this work, we develop and release Llama 2, a collection of pretrained and
fine-tuned large language models (LLMs) ranging in scale from 7 billion to 70
billion parameters. Our fine-tuned LLMs, called Llama 2-Chat, are optimized for
dialogue use cases. Our models outperform open-source chat models on most
benchmarks we tested, and based on our human evaluations for helpfulness and
safety, may be a suitable substitute for closed-source models. We provide a
detailed description of our approach to fine-tuning and safety improvements of
Llama 2-Chat in order to enable the community to build on our work and
contribute to the responsible development of LLMs.