Llama 2: Open Foundation en Fijn Afgestelde Chatmodellen
Llama 2: Open Foundation and Fine-Tuned Chat Models
July 18, 2023
Auteurs: 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
Samenvatting
In dit werk ontwikkelen en publiceren we Llama 2, een verzameling van vooraf getrainde en fijn afgestelde grote taalmodellen (LLMs) met een schaal variërend van 7 miljard tot 70 miljard parameters. Onze fijn afgestelde LLMs, genaamd Llama 2-Chat, zijn geoptimaliseerd voor dialoogtoepassingen. Onze modellen presteren beter dan open-source chatmodellen op de meeste benchmarks die we hebben getest, en op basis van onze menselijke evaluaties voor behulpzaamheid en veiligheid, kunnen ze een geschikt alternatief zijn voor closed-source modellen. We bieden een gedetailleerde beschrijving van onze aanpak voor het fijn afstellen en verbeteren van de veiligheid van Llama 2-Chat, om de gemeenschap in staat te stellen voort te bouwen op ons werk en bij te dragen aan de verantwoorde ontwikkeling van LLMs.
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.