YAYI 2: Meertalige Open-Source Grote Taalmodellen

YAYI 2: Multilingual Open-Source Large Language Models

December 22, 2023

Auteurs: 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

Samenvatting

Als de nieuwste ontwikkelingen in natuurlijke taalverwerking hebben grote taalmodelen (LLM's) menselijk niveau van taalbegrip en -generatie bereikt in veel real-world taken, en worden zelfs beschouwd als een mogelijke weg naar kunstmatige algemene intelligentie. Om onderzoek naar LLM's beter te faciliteren, zijn recentelijk veel open-source LLM's, zoals Llama 2 en Falcon, voorgesteld en hebben ze vergelijkbare prestaties behaald als propriëtaire modellen. Deze modellen zijn echter voornamelijk ontworpen voor Engelstalige scenario's en vertonen slechte prestaties in Chinese contexten. In dit technische rapport stellen we YAYI 2 voor, inclusief zowel basis- als chatmodellen, met 30 miljard parameters. YAYI 2 is vanaf nul getraind op een meertalig corpus dat 2,65 biljoen tokens bevat, gefilterd door onze pijplijn voor het verwerken van trainingsdata. Het basismodel is afgestemd op menselijke waarden door middel van supervised fine-tuning met miljoenen instructies en reinforcement learning op basis van menselijke feedback. Uitgebreide experimenten op meerdere benchmarks, zoals MMLU en CMMLU, tonen consistent aan dat het voorgestelde YAYI 2 beter presteert dan andere open-source modellen van vergelijkbare grootte.

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.