DeepSeek LLM : Mise à l'échelle des modèles de langage open-source avec une vision à long terme

DeepSeek LLM: Scaling Open-Source Language Models with Longtermism

January 5, 2024

Auteurs: 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

Résumé

Le développement rapide des modèles de langage de grande envergure (LLMs) open source a été véritablement remarquable. Cependant, la loi d'échelle décrite dans la littérature précédente présente des conclusions variées, ce qui jette une ombre sur l'évolutivité des LLMs. Nous plongeons dans l'étude des lois d'échelle et présentons nos découvertes distinctives qui facilitent la mise à l'échelle de modèles de grande envergure dans deux configurations open source couramment utilisées, 7B et 67B. Guidés par les lois d'échelle, nous introduisons DeepSeek LLM, un projet dédié à l'avancement des modèles de langage open source avec une perspective à long terme. Pour soutenir la phase de pré-entraînement, nous avons développé un ensemble de données qui comprend actuellement 2 000 milliards de tokens et qui continue de s'étendre. Nous procédons ensuite à un réglage fin supervisé (SFT) et à une optimisation directe des préférences (DPO) sur les modèles de base de DeepSeek LLM, aboutissant à la création des modèles DeepSeek Chat. Nos résultats d'évaluation démontrent que DeepSeek LLM 67B surpasse LLaMA-2 70B sur divers benchmarks, en particulier dans les domaines du code, des mathématiques et du raisonnement. De plus, les évaluations ouvertes révèlent que DeepSeek LLM 67B Chat présente des performances supérieures à celles de GPT-3.5.

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.