DeepSeek LLM: Scalabilità dei Modelli Linguistici Open-Source con una Visione a Lungo Termine

DeepSeek LLM: Scaling Open-Source Language Models with Longtermism

January 5, 2024

Autori: 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

Abstract

Il rapido sviluppo dei modelli linguistici di grandi dimensioni (LLM) open-source è stato veramente straordinario. Tuttavia, la legge di scala descritta nella letteratura precedente presenta conclusioni variabili, il che getta un'ombra sullo scaling degli LLM. Approfondiamo lo studio delle leggi di scala e presentiamo i nostri risultati distintivi che facilitano lo scaling di modelli su larga scala in due configurazioni open-source comunemente utilizzate, 7B e 67B. Guidati dalle leggi di scala, introduciamo DeepSeek LLM, un progetto dedicato all'avanzamento dei modelli linguistici open-source con una prospettiva a lungo termine. Per supportare la fase di pre-training, abbiamo sviluppato un dataset che attualmente consiste in 2 trilioni di token e che è in continua espansione. Inoltre, conducono un fine-tuning supervisionato (SFT) e un'ottimizzazione diretta delle preferenze (DPO) sui modelli base di DeepSeek LLM, portando alla creazione dei modelli DeepSeek Chat. I nostri risultati di valutazione dimostrano che DeepSeek LLM 67B supera LLaMA-2 70B su vari benchmark, in particolare nei domini del codice, della matematica e del ragionamento. Inoltre, valutazioni aperte rivelano che DeepSeek LLM 67B Chat mostra prestazioni superiori rispetto a 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.