DeepSeek LLM: Escalonando Modelos de Linguagem de Código Aberto com Longtermismo

DeepSeek LLM: Scaling Open-Source Language Models with Longtermism

January 5, 2024

Autores: 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

Resumo

O rápido desenvolvimento de modelos de linguagem de grande escala (LLMs) de código aberto tem sido verdadeiramente notável. No entanto, a lei de escalonamento descrita na literatura anterior apresenta conclusões variadas, o que lança uma nuvem sombria sobre o escalonamento de LLMs. Nós nos aprofundamos no estudo das leis de escalonamento e apresentamos nossas descobertas distintas que facilitam o escalonamento de modelos em grande escala em duas configurações comumente usadas em código aberto, 7B e 67B. Guiados pelas leis de escalonamento, introduzimos o DeepSeek LLM, um projeto dedicado ao avanço de modelos de linguagem de código aberto com uma perspectiva de longo prazo. Para apoiar a fase de pré-treinamento, desenvolvemos um conjunto de dados que atualmente consiste em 2 trilhões de tokens e está em constante expansão. Além disso, realizamos ajuste fino supervisionado (SFT) e Otimização de Preferência Direta (DPO) nos modelos base do DeepSeek LLM, resultando na criação dos modelos DeepSeek Chat. Nossos resultados de avaliação demonstram que o DeepSeek LLM 67B supera o LLaMA-2 70B em vários benchmarks, particularmente nos domínios de código, matemática e raciocínio. Além disso, avaliações de resposta aberta revelam que o DeepSeek LLM 67B Chat exibe desempenho superior em comparação com o 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.