YAYI 2: Modelli Linguistici Multilingue Open-Source di Grandi Dimensioni

YAYI 2: Multilingual Open-Source Large Language Models

December 22, 2023

Autori: 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

Abstract

Con i più recenti progressi nell'elaborazione del linguaggio naturale, i grandi modelli linguistici (LLM) hanno raggiunto capacità di comprensione e generazione del linguaggio a livello umano in molti compiti del mondo reale, e sono persino stati considerati come un potenziale percorso verso l'intelligenza artificiale generale. Per favorire ulteriormente la ricerca sugli LLM, molti modelli open-source, come Llama 2 e Falcon, sono stati recentemente proposti e hanno ottenuto prestazioni comparabili a quelle dei modelli proprietari. Tuttavia, questi modelli sono principalmente progettati per scenari in lingua inglese e mostrano scarse prestazioni in contesti cinesi. In questo rapporto tecnico, proponiamo YAYI 2, che include sia modelli base che modelli chat, con 30 miliardi di parametri. YAYI 2 è pre-addestrato da zero su un corpus multilingue che contiene 2,65 trilioni di token filtrati attraverso la nostra pipeline di elaborazione dei dati per il pre-training. Il modello base è allineato ai valori umani attraverso la messa a punto supervisionata con milioni di istruzioni e l'apprendimento per rinforzo basato sul feedback umano. Esperimenti estensivi su molteplici benchmark, come MMLU e CMMLU, dimostrano costantemente che il proposto YAYI 2 supera altri modelli open-source di dimensioni simili.

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.