LLM性能的主要因素

现在是2023年5月，截止目前，网络上已经开源了众多的LLM，如何用较低的成本，判断LLM的基础性能，选到适合自己任务的LLM，成为一个关键。

本文会涉及以下几个问题：

影响LLM性能的主要因素

目前主要的模型的参数

LLaMA系列是否需要扩中文词表

不同任务的模型选择

影响LLM性能的主要因素

Scaling Laws for Neural Language Models

OpenAI的论文Scaling Laws中列举了影响模型性能最大的三个因素：计算量、数据集大小、模型参数量。也就是说，当其他因素不成为瓶颈时，计算量、数据集大小、模型参数量这3个因素中的单个因素指数增加时，loss会线性的下降。同时，DeepMind的研究也得出来和OpenAI类似的结论。那么我们可以基本确定，如果一个模型在这3个方面，均做的不错，那么将会是一个很好的备选。

模型参数量是我们最容易注意到的，一般而言，LLM也只在训练数据上训练1个epoch（如果还有算力，其实可以扩更多的新数据），那么，数据集的大小就是很关键的参数。训练OPT-175B的Susan Zhang在Stanford分享的时候，也提到了，如果能够重新再来一次，她会选择much much more data。可见数据量的重要性。

了解到Scaling Laws之后，为了降低模型的推理成本，可以在模型参数量降低的同时，增加训练的数据量，这样可以保证模型的效果。Chinchilla和LLaMA就是这样的思路。

除了以上的因素之外，还有一个比较大的影响因素就是数据质量。

Instruction Tuning with GPT-4

在微软的论文中指出，同样基于LLaMA模型，使用GPT3和GPT4产生的数据，对模型进行Instruction Turing，可以看到GPT4的数据微调过的模型效果远远好于GPT3数据微调的模型，可见数据质量带来的影响。同样的，Vicuna的Instruction Turing中，也对shareGPT的数据做了很细致的清洗工作。

所以，如果没有数量级的差异，在Instruction Turing的时候，可以尽可能抛弃质量差的数据，保留高质量的数据。

目前主要的模型的参数

	训练数据量	参数
LLaMA	1T～1.4T tokens	7B～65B
chatGLM-6B	1T tokens	6B

根据我们上面的推理，训练数据量是对模型影响最关键的因素。LLaMA和chatGLM-6B是目前效果相对比较好的LLM，他们的训练数据都达到了至少1T tokens。那么如果一个LLM的训练数据量，少于1T tokens数的话，这个模型可以不用考虑了。

而LLaMA的参数量可以有7B、13B、33B、65B可以选择，那么在参数量上和可选择性上，比chatGLM要更优秀。那么，基于这些考虑，LLaMA系列及其变种，是当前更好的选择。而且，经过Instruction Turing之后，Vicuna已经表现出了非常好的性能，根据微软的论文（不是伯克利自己的论文），Vicuna已经达到90%的GPT4的效果。这一点和伯克利自己的结论也吻合。

在Vicuna的作者的博客中，作者也提到了vicuna-13B会比vicuna-7B效果好很多。笔者自己微调过这两个模型，13B确实会比7B的准确率高出5-10%。

同时，int8量化的Vicuna-13B在推理时，只需要20GB的显存，可以放进很多消费级的显卡中。

这么看起来，Vicuna-13B确实是一个很强的baseline，目前看到的开源LLM，只有WizardVicunaLM 的效果更优于Vicuna-13B。如果你没有很多时间调研，那么vicuna-13B会是一个不错的备选。

LLaMA系列是否需要扩中文词表

关于LLaMA的一个争论就是，LLaMA的base model是在以英语为主要语言的拉丁语系上进行训练的，中文效果会不会比较差？还有就是，LLaMA词表中的中文token比较少，需不需要扩词表？

针对问题一，微软的论文中已经验证了，经过Instruction Turing的Vicuna-13B已经有非常好的中文能力。

Instruction Tuning with GPT-4

那为什么没有在很多中文语料上训练过的LLaMA，能有这么好的中文能力呢？首先，在GPT4的技术报告中提到，即使在数据量很少的语言上，GPT4也有非常好的性能。

GPT-4 Technical Report

LLM表现出了惊人的跨语言能力。我猜其中一个比较重要的原始是采用了byte-level BPE算法构建词表。这种BBPE算法，将很多字符都拆分到byte级别。比如，虽然词表中没有对应的中文字符，但是可以通过组合byte，构建出来原始的中文字符。这部分可以参考文章Dylan：[分析] 浅谈ChatGPT的Tokenizer。因此，经过超大规模的语料训练之后，LLM可以跨不同的语言，表现出很好的性能。

采用BBPE的好处是可以跨语言共用词表，显著压缩词表的大小。而坏处就是，对于类似中文这样的语言，一段文字的序列长度会显著增长。因此，很多人会想到扩中文词表。但考虑到扩词表，相当于从头初始化开始训练这些参数。因此，参考第一节的结论，如果想达到比较好的性能，需要比较大的算力和数据量。如果没有很多数据和算力，就不太建议这么搞。

根据开源项目Chinese-LLaMA-Alpaca公布的数据，他们在使用120G的中文语料后（下图中的Alpaca-Plus-7B和Alpaca-Plus-13B），效果才有不错的提升，而在使用20G语料时（下图中的Alpaca-13B），效果还相对比较差。作为对比，原始的LLaMA使用的数据量大概是4T左右（此处是存储空间，不是token数）。

Chinese-LLaMA-Alpaca

因此，虽然扩词表看起来很诱人，但是实际操作起来，还是很有难度的，不过如果你有很多数据和算力，这个当我没说（不是）。

不同任务的模型选择

上文还提到，LLaMA系列的一大优势是，有很多不同大小的模型，从7B-65B。上面我们主要讨论了13B的模型，还有33B和65B的模型没有讨论。那什么场景下，13B的模型也不够，需要更大的模型呢？

答案就是，只要你的算力可以支持，就建议上更大的模型。

GPTQ-for-LLaMa

根据GPTQ-for-LLaMa 的数据，可以看到随着模型的增大，模型在wiki2数据上的困惑度一直在下降。更重要的是，LLaMA-33B经过int4量化之后，PPL低于LLaMA-13B！LLaMA-65B经过int4量化之后，PPL低于LLaMA-33B！并且，LLaMA-33B经过int4量化之后，推理只需要20GB的显存！！！

看到这个数据，我着实有点小激动。然后立马开始着手微调33B的模型！！！

当然，从推理成本的角度来看，模型参数量越小，成本越低。那什么情况下可以用小模型呢？回答是，需要根据任务的难易程度选择模型大小，如果任务很简单，其实小模型就OK。比如处理一些比较简单的中文任务，chatGLM-6B将会更合适。中文词表，再加上推理更好的优化，可以极大降低推理成本。

但如果任务很难，对于语义的理解程度很高，那么肯定是模型越大效果越好。有什么任务是比较难的任务呢？我们来看看什么任务让GPT4的觉得比较困难。

GPT-4 Technical Report

可以看到，GPT4表现最差的几个项目分别是Codeforces Rating、AP English Literature、AMC 10和AP English Language（AP是Advanced Placement，美国大学先修课程）。其中有两个分别是代码测试和数学测试，语言模型（LM）表现比较差符合预期。但是作为地表最强语言模型，在English Literature和English Language的考试中，这样的表现，是让人有点意外的。不过，话说回来，OpenAI对于GPT4的定位，还是一个工具型助手，而不是一个写文学性文字的模型。RLHF的作用，也是让模型，尽可能符合人对它的instruction。

因此，如果你的任务是，让LLM去写偏文学性的文章，应该要注意两个方面：1、任务本身有难度，尽可能上能力范围内的参数量更大的模型；2、数据层面，不要使用Instruction Turing的数据 ，而需要自己去找合适的高质量数据集。

　　

      审核编辑：彭静