YAYI 2: Modelos de Linguagem de Grande Escala Multilíngues de Código Aberto

YAYI 2: Multilingual Open-Source Large Language Models

December 22, 2023

Autores: 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

Resumo

Como os mais recentes avanços em processamento de linguagem natural, os modelos de linguagem de grande escala (LLMs, na sigla em inglês) alcançaram habilidades de compreensão e geração de linguagem em nível humano em muitas tarefas do mundo real, e até mesmo têm sido considerados um caminho potencial para a inteligência artificial geral. Para melhor facilitar a pesquisa em LLMs, muitos modelos de código aberto, como o Llama 2 e o Falcon, foram recentemente propostos e alcançaram desempenhos comparáveis aos modelos proprietários. No entanto, esses modelos são projetados principalmente para cenários em inglês e apresentam desempenhos ruins em contextos chineses. Neste relatório técnico, propomos o YAYI 2, incluindo modelos base e de chat, com 30 bilhões de parâmetros. O YAYI 2 é pré-treinado do zero em um corpus multilíngue que contém 2,65 trilhões de tokens filtrados por nosso pipeline de processamento de dados de pré-treinamento. O modelo base é alinhado com valores humanos por meio de ajuste fino supervisionado com milhões de instruções e aprendizado por reforço com feedback humano. Experimentos extensos em múltiplos benchmarks, como MMLU e CMMLU, demonstram consistentemente que o YAYI 2 proposto supera outros modelos de código aberto de tamanho similar.

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.