Baichuan 2: Открытые крупномасштабные языковые модели
Baichuan 2: Open Large-scale Language Models
September 19, 2023
Авторы: Aiyuan Yang, Bin Xiao, Bingning Wang, Borong Zhang, Chao Yin, Chenxu Lv, Da Pan, Dian Wang, Dong Yan, Fan Yang, Fei Deng, Feng Wang, Feng Liu, Guangwei Ai, Guosheng Dong Haizhou Zhao, Hang Xu, Haoze Sun, Hongda Zhang, Hui Liu, Jiaming Ji, Jian Xie, Juntao Dai, Kun Fang, Lei Su Liang Song, Lifeng Liu, Liyun Ru, Luyao Ma, Mang Wang, Mickel Liu, MingAn Lin, Nuolan Nie, Peidong Guo, Ruiyang Sun, Tao Zhang, Tianpeng Li, Tianyu Li, Wei Cheng, Weipeng Chen, Xiangrong Zeng, Xiaochuan Wang, Xiaoxi Chen, Xin Men, Xin Yu, Xuehai Pan, Yanjun Shen, Yiding Wang, Yiyu Li, Youxin Jiang, Yuchen Gao, Yupeng Zhang, Zenan Zhou, Zhiying Wu
cs.AI
Аннотация
Крупные языковые модели (LLM) продемонстрировали впечатляющие результаты в решении разнообразных задач обработки естественного языка, используя лишь несколько примеров инструкций на естественном языке, что снижает необходимость в трудоёмкой разработке признаков. Однако большинство наиболее мощных LLM являются закрытыми или имеют ограниченные возможности для языков, отличных от английского. В данном техническом отчёте мы представляем Baichuan 2 — серию крупномасштабных многоязычных языковых моделей, содержащих 7 и 13 миллиардов параметров, обученных с нуля на 2,6 триллионах токенов. Baichuan 2 соответствует или превосходит другие модели с открытым исходным кодом аналогичного размера на публичных бенчмарках, таких как MMLU, CMMLU, GSM8K и HumanEval. Кроме того, Baichuan 2 демонстрирует выдающиеся результаты в узкоспециализированных областях, таких как медицина и право. Мы опубликуем все контрольные точки предварительного обучения, чтобы помочь научному сообществу лучше понять динамику обучения модели Baichuan 2.
English
Large language models (LLMs) have demonstrated remarkable performance on a
variety of natural language tasks based on just a few examples of natural
language instructions, reducing the need for extensive feature engineering.
However, most powerful LLMs are closed-source or limited in their capability
for languages other than English. In this technical report, we present Baichuan
2, a series of large-scale multilingual language models containing 7 billion
and 13 billion parameters, trained from scratch, on 2.6 trillion tokens.
Baichuan 2 matches or outperforms other open-source models of similar size on
public benchmarks like MMLU, CMMLU, GSM8K, and HumanEval. Furthermore, Baichuan
2 excels in vertical domains such as medicine and law. We will release all
pre-training model checkpoints to benefit the research community in better
understanding the training dynamics of Baichuan 2.