MAP-Neo: высокопроизводительная и прозрачная двуязычная крупномасштабная языковая модель

MAP-Neo: Highly Capable and Transparent Bilingual Large Language Model Series

May 29, 2024

Авторы: Ge Zhang, Scott Qu, Jiaheng Liu, Chenchen Zhang, Chenghua Lin, Chou Leuang Yu, Danny Pan, Esther Cheng, Jie Liu, Qunshu Lin, Raven Yuan, Tuney Zheng, Wei Pang, Xinrun Du, Yiming Liang, Yinghao Ma, Yizhi Li, Ziyang Ma, Bill Lin, Emmanouil Benetos, Huan Yang, Junting Zhou, Kaijing Ma, Minghao Liu, Morry Niu, Noah Wang, Quehry Que, Ruibo Liu, Sine Liu, Shawn Guo, Soren Gao, Wangchunshu Zhou, Xinyue Zhang, Yizhi Zhou, Yubo Wang, Yuelin Bai, Yuhan Zhang, Yuxiang Zhang, Zenith Wang, Zhenzhu Yang, Zijian Zhao, Jiajun Zhang, Wanli Ouyang, Wenhao Huang, Wenhu Chen

cs.AI

Аннотация

Большие языковые модели (LLM) в последние годы сделали значительные успехи в достижении беспрецедентной производительности в различных задачах. Однако из-за коммерческого интереса наиболее конкурентоспособные модели, такие как GPT, Gemini и Claude, были ограждены собственными интерфейсами без раскрытия деталей обучения. Недавно многие учреждения предоставили в открытый доступ несколько мощных LLM, таких как LLaMA-3, сопоставимых с существующими закрытыми LLM. Однако большинство деталей (например, промежуточные контрольные точки, корпусы предварительного обучения и код обучения и т. д.) предоставлены только веса модели. Для повышения прозрачности LLM исследовательское сообщество начало предоставлять в открытый доступ по-настоящему открытые LLM (например, Pythia, Amber, OLMo), где предоставляются более подробные сведения (например, корпусы предварительного обучения и код обучения). Эти модели значительно продвинули научное изучение этих крупных моделей, включая их сильные и слабые стороны, предвзятости и риски. Однако мы наблюдаем, что существующие по-настоящему открытые LLM в задачах рассуждения, знаний и кодирования все еще уступают существующим передовым LLM с аналогичными размерами моделей. В этой связи мы представляем в открытый доступ MAP-Neo, высококвалифицированную и прозрачную двуязычную языковую модель с 7 миллиардами параметров, обученную с нуля на 4,5 триллионах высококачественных токенов. Наш MAP-Neo является первой полностью открытой двуязычной LLM с сопоставимой производительностью по сравнению с существующими передовыми LLM. Более того, мы предоставляем все детали для воспроизведения нашего MAP-Neo, включая очищенный корпус предварительного обучения, процесс очистки данных, контрольные точки и хорошо оптимизированный фреймворк обучения/оценки. Наконец, мы надеемся, что наш MAP-Neo усилит и укрепит открытое исследовательское сообщество и вдохновит на больше инноваций и творчества для облегчения дальнейшего улучшения LLM.

English

Large Language Models (LLMs) have made great strides in recent years to achieve unprecedented performance across different tasks. However, due to commercial interest, the most competitive models like GPT, Gemini, and Claude have been gated behind proprietary interfaces without disclosing the training details. Recently, many institutions have open-sourced several strong LLMs like LLaMA-3, comparable to existing closed-source LLMs. However, only the model's weights are provided with most details (e.g., intermediate checkpoints, pre-training corpus, and training code, etc.) being undisclosed. To improve the transparency of LLMs, the research community has formed to open-source truly open LLMs (e.g., Pythia, Amber, OLMo), where more details (e.g., pre-training corpus and training code) are being provided. These models have greatly advanced the scientific study of these large models including their strengths, weaknesses, biases and risks. However, we observe that the existing truly open LLMs on reasoning, knowledge, and coding tasks are still inferior to existing state-of-the-art LLMs with similar model sizes. To this end, we open-source MAP-Neo, a highly capable and transparent bilingual language model with 7B parameters trained from scratch on 4.5T high-quality tokens. Our MAP-Neo is the first fully open-sourced bilingual LLM with comparable performance compared to existing state-of-the-art LLMs. Moreover, we open-source all details to reproduce our MAP-Neo, where the cleaned pre-training corpus, data cleaning pipeline, checkpoints, and well-optimized training/evaluation framework are provided. Finally, we hope our MAP-Neo will enhance and strengthen the open research community and inspire more innovations and creativities to facilitate the further improvements of LLMs.