DeepSeek LLM: Масштабирование открытых языковых моделей с долгосрочной перспективой

DeepSeek LLM: Scaling Open-Source Language Models with Longtermism

January 5, 2024

Авторы: 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

Аннотация

Быстрое развитие открытых крупных языковых моделей (LLM) действительно впечатляет. Однако законы масштабирования, описанные в предыдущих исследованиях, приводят к различным выводам, что создает неопределенность в отношении масштабирования LLM. Мы углубляемся в изучение законов масштабирования и представляем наши уникальные результаты, которые способствуют масштабированию крупных моделей в двух широко используемых открытых конфигурациях — 7B и 67B. Руководствуясь законами масштабирования, мы представляем проект DeepSeek LLM, посвященный развитию открытых языковых моделей с долгосрочной перспективой. Для поддержки этапа предварительного обучения мы разработали набор данных, который в настоящее время состоит из 2 триллионов токенов и продолжает расширяться. Мы также проводим контролируемую тонкую настройку (SFT) и оптимизацию прямых предпочтений (DPO) на базовых моделях DeepSeek LLM, что приводит к созданию моделей DeepSeek Chat. Результаты нашей оценки показывают, что DeepSeek LLM 67B превосходит LLaMA-2 70B на различных тестах, особенно в областях кода, математики и логического мышления. Кроме того, открытые оценки демонстрируют, что DeepSeek LLM 67B Chat показывает более высокую производительность по сравнению с 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.