给你数据和算力，你也成不了 OpenAI

最近在研究大模型训练和微调相关的内容，听领导说的最多的一句话“那不是有数据有算力就能搞定的吗”，于是调研了下 qwen 系列的训练细节。

再整理过程中，再次感慨，怪不得有了数据和算力，也不是每家公司都是 OpenAI。

Qwen2.5-Math

QWEN2.5-MATH TECHNICAL REPORT： TOWARD MATHEMATICAL EXPERT MODEL VIA SELF- IMPROVEMENT

1. 预训练阶段

Qwen2.5-Math 的预训练阶段是在 Qwen2-Math 的基础上进行改进的。这个阶段的主要目标是构建一个高质量、数学内容丰富的预训练数据集。

数据处理

1. 数据召回：

• 使用 FastText 分类器从网络源（如 Common Crawl）中召回数学相关数据。
• 采用迭代训练策略，每个 epoch 使用更多数学数据来不断提升分类器性能。
• 利用已召回数据的元信息（如 URL）扩展数据池，以识别遗漏的数学相关数据。

2. 数据去重：

• 使用 MinHash 等技术对相似的数学文档进行过滤。

3. 数据质量过滤：

• 使用 Qwen2-0.5B-Instruct 模型评估潜在数据条目的质量。
• 根据语言模型给出的评分，优先选择高质量数据纳入最终数据集。

4. 合成数据生成：

• 使用 Qwen2-72B-Instruct 模型生成大量数学预训练语料。
• 利用已收集的高质量数学数据作为参考材料。
• 从参考中提取和精炼现有的数学问答数据。
• 直接生成新的数学问答对。

训练设置

• 数据集：Qwen Math Corpus v2，包含超过 1 万亿个 token。
• 初始化：从 Qwen2.5 系列基础模型初始化参数。
• 上下文长度：4K tokens。
• 模型规模：提供 1.5B、7B 和 72B 三种规模的模型。

2. 监督微调阶段 (Supervised Fine-tuning， SFT)

SFT 阶段主要针对链式思维 (Chain-of-Thought， CoT) 和工具集成推理 (Tool-Integrated Reasoning， TIR) 两种能力进行训练。

CoT 数据处理

1. 数据集构建：

580K 英文和 500K 中文数学问题。

• 来源包括 GSM8K、MATH、NuminaMath 等标注数据集和 K-12 数学问题集。

2. 数据合成：

• 使用 MuggleMath 方法从标注数据演化生成新问题。
• 使用难度评分模型对问题集进行分类，以保持不同难度水平的平衡分布。

3. 回答生成：

• 采用迭代方法，利用拒绝采样、奖励建模和标注答案指导。
• 对于有标注答案的问题，从候选池中选择 top-k 正确答案的推理路径。
• 对于合成问题，使用加权多数投票机制推断最可能正确的推理路径。

TIR 数据处理

1. 数据集构建：

• 190K 标注问题和 205K 合成问题。
• 来源包括 GSM8K、MATH、CollegeMath、NuminaMath 等数据集。

2. 数据合成：

• 使用 MuggleMath 和 DotaMath 技术在 GSM8K 和 MATH 训练集上进行查询演化。

3. 回答生成：

• 对于标注问题，使用在线拒绝微调 (RFT) 迭代生成工具集成推理路径。
• 在每次 RFT 迭代中，对当前最佳模型进行多次核采样，增加困难问题的样本大小。
• 对于合成问题，使用从在线 RFT 过程中得到的最优模型生成推理样本。

训练设置

• 训练周期：3 个 epoch
• 序列长度：4，096 tokens
• 批量大小：

72B 模型：256

1.5B 和 7B 模型：128

• 学习率：
• 72B 模型：5 × 10^-6
• 1.5B 和 7B 模型：2 × 10^-5
• 学习率调度：逐渐衰减到 7 × 10^-7

3. 奖励模型训练阶段 (Reward Model， RM)

数据处理

• 数据集：361K 英文和 257K 中文数学问题，每个问题配对 6 个来自 Qwen2.5-Math 的样本回答。
• 标注策略：

根据回答的最终答案正确性确定正负样本。

正确答案标记为正样本，错误答案标记为负样本。

过滤掉所有回答全对或全错的情况。

通过使用不同规模和版本的模型生成回答，确保数据集难度分布均衡和正负样本比例平衡。

训练策略

• 初始化：从监督微调模型初始化。
• 模型架构调整：

将语言建模头替换为标量值头（两个线性层）。

• 损失函数：奖励模型使用列表式排序损失：

其中， 表示奖励模型的输出， 是问题， 是对应的回答。

4. 强化学习阶段 (Reinforcement Learning， RL)

训练策略

采用群组相对策略优化 (Group Relative Policy Optimization， GRPO)

目标函数

群组相对策略优化 (Group Relative Policy Optimization， GRPO) 的目标函数：

奖励塑型

结合规则验证器和奖励模型的奖励：

其中， 是奖励模型的输出， 是规则验证器的稀疏奖励， 设置为 0.5。

这样的格式化使公式更加清晰，并且符合 LaTeX 语法，可以在支持 LaTeX 渲染的 Markdown 环境中正确显示。

实现细节

• 基于开源 RLHF 框架 ChatLearn
• 查询选择：从奖励模型的训练集中选择，保留 2 到 5 个正确回答的查询
• 采样策略：每个查询采样 32 个回应
• 训练设置：

• 7B 模型：每个 episode 4，096 个样本，学习率 1 × 10^-5
• 72B 模型：每个 episode 2，048 个样本，学习率 5 × 10^-6

• 全局 batch size：512
• KL 系数：1 × 10^-3

Qwen2.5-Coder

Technical Report Qwen2.5-Coder Technical Report

1. 预训练阶段

Qwen2.5-Coder的预训练分为两个主要阶段：文件级预训练和仓库级预训练。

1.1 数据处理

1.1.1 数据来源

• 源代码数据：来自GitHub的92种编程语言的公共仓库，包括Pull Requests、Commits、Jupyter Notebooks和Kaggle数据集。
• 文本-代码对应数据：从Common Crawl中提取，包括代码相关的文档、教程、博客等。
• 合成数据：使用CodeQwen1.5生成的大规模合成数据集。
• 数学数据：来自Qwen2.5-Math的预训练语料库。
• 文本数据：来自Qwen2.5模型的高质量通用自然语言数据。

1.1.2 数据清洗

• 对GitHub数据应用了一系列基于规则的过滤方法。
• 对文本-代码混合数据集采用了粗到细的层级过滤方法，使用较小的模型（如fastText）构建清洗管道。
• 对合成数据引入执行器进行验证，确保只保留可执行的代码。

1.1.3 数据混合比例

经过实验，最终选择了70%代码、20%文本和10%数学的数据混合比例。最终的预训练数据集包含5.2万亿个token。

1.2 文件级预训练

1.2.1 训练目标

• 下一个token预测
• 填空任务（Fill-in-the-Middle， FIM）

1.2.2 FIM格式

<|fim_prefix|>{code_pre}<|fim_suffix|>{code_suf}<|fim_middle|>{code_mid}<|endoftext|>

1.2.3 训练参数

• 最大训练序列长度：8，192 tokens
• 位置编码：RoPE (Rotary Position Embedding)

1.3 仓库级预训练

1.3.1 目的

增强模型的长文本理解能力。

1.3.2 训练参数

• 训练序列长度：从8，192 tokens扩展到32，768 tokens
• RoPE基频：从10，000调整为1，000，000
• 使用YARN机制，使模型能够处理长达131，072 (132K) tokens的序列

1.3.3 数据

使用了约300B的高质量长代码数据。

1.3.4 FIM格式

<|repo_name|>{repo_name}
<|file_sep|>{file_path1}
{file_content1}
<|file_sep|>{file_path2}
{file_content2}
<|file_sep|>{file_path3}
<|fim_prefix|>{code_pre}<|fim_suffix|>{code_suf}<|fim_middle|>{code_fim}<|endoftext|>

2. 指令微调阶段

2.1 数据准备

2.1.1 多语言编程代码识别

• 微调CodeBERT模型以识别近100种编程语言。
• 保留主流编程语言的指令数据，随机丢弃长尾语言的部分指令数据。
• 移除大部分不包含代码片段的样本。

2.1.2 GitHub指令合成

• 使用LLM从代码片段生成指令。
• 使用代码LLM生成响应。
• 使用LLM评分器过滤低质量样本。

2.1.3 多语言代码指令数据

实施了一个多语言多代理协作框架：

• 创建特定语言的智能代理。
• 实施协作讨论协议。
• 使用自适应内存系统。
• 进行跨语言讨论。
• 开发协同评估指标。
• 实施自适应指令生成。

2.1.4 基于清单的指令数据评分

评估以下方面：

1. 问题与答案的一致性
2. 问题与答案的相关性
3. 问题与答案的难度
4. 代码是否存在
5. 代码正确性
6. 代码清晰度
7. 代码注释
8. 易学性

最终得分计算：

其中是一系列预定义的权重。

2.1.5 多语言沙箱进行代码验证

包括以下模块：

1. 语言支持模块
2. 样本代码库
3. 单元测试生成器
4. 代码执行引擎
5. 结果分析器

2.2 训练策略

2.2.1 粗到细微调

• 首先使用数千万低质量但多样化的指令样本进行微调。
• 然后使用数百万高质量指令样本进行监督微调。
• 对于同一查询，使用LLM生成多个候选答案，然后用LLM评分选择最佳答案进行监督微调。

2.2.2 混合调优

• 构造带有FIM格式的指令对，以保持模型的长文本理解能力。
• 使用tree-sitter-languages解析代码片段，提取基本逻辑块作为中间代码进行填充。
• 优化指令模型时，主要使用标准SFT数据，辅以少量FIM指令样本。

3. 数据去污染

• 使用10-gram重叠方法进行数据去污染。
• 移除了关键数据集，如HumanEval、MBPP、GSM8K和MATH。
• 移除了与测试数据有10-gram字符串级别重叠的任何训练数据。

4. 模型架构

Qwen2.5-Coder有两种规模的模型：1.5B和7B参数。它们的主要特征如下：

4.1 特殊token

模型引入了几个特殊token来更好地理解代码：

1. 预训练阶段

1.1 数据处理

Qwen2 使用了一个新的大规模、高质量的多语言数据集进行预训练，相比 Qwen 和 Qwen1.5，主要改进包括：

1. 质量提升：

使用更复杂的启发式和基于模型的方法进行过滤

利用 Qwen 模型筛选低质量数据和合成高质量预训练数据

2. 数据扩展：

• 收集了更大量的高质量代码、数学和多语言数据
• 支持约 30 种语言

3. 分布优化：

• 对缩小版模型进行实验，优化不同来源和领域数据的混合比例

最终的预训练数据集从 Qwen1.5 的 3 万亿 tokens 扩展到了 7 万亿 tokens。

1.2 模型架构

Qwen2 采用基于 Transformer 的架构，主要特点包括：

1. 使用 Grouped Query Attention (GQA)
2. 实现 Dual Chunk Attention (DCA)
3. 采用 YARN 机制
4. 使用 SwiGLU 作为激活函数
5. 采用 Rotary Positional Embeddings (RoPE)
6. 使用 QKV bias
7. 采用 RMSNorm 和 pre-normalization

1.3 训练细节

报告中对预训练阶段的具体超参数配置没有详细说明。但提到了以下细节：

• 序列长度：在预训练的最后阶段，将上下文长度从 4，096 tokens 扩展到 32，768 tokens
• RoPE 基频：从 10，000 修改为 1，000，000
• 采用 YARN 机制和 Dual Chunk Attention 机制，使模型能够处理长达 131，072 tokens 的序列

2. 后训练阶段

2.1 数据处理

后训练数据包括两部分：

1. 示范数据
2. 偏好数据

数据构建过程包括协作数据标注和自动数据合成。

2.2 监督微调 (SFT)

• 数据集：超过 500，000 个示例
• 训练轮数：2 epochs
• 序列长度：32，768 tokens
• 学习率：从 逐渐降低到
• 权重衰减：0.1
• 梯度裁剪：最大值为 1.0

2.3 基于人类反馈的强化学习 (RLHF)

RLHF 训练包括离线训练和在线训练两个阶段：

1. 离线训练：

• 使用预编译的偏好数据集 P
• 采用 Direct Preference Optimization (DPO)

2. 在线训练：

• 使用奖励模型进行实时反馈
• 每个 episode 中，从当前策略模型采样多个回复
• 使用 DPO 进行优化

采用 Online Merging Optimizer 来缓解对齐税。

3. 模型配置

以 Qwen2-72B 为例的主要配置：

• Hidden Size： 8，192
• 层数： 80
• Query Heads： 64
• KV Heads： 8
• Head Size： 128
• Intermediate Size： 29，568
• 词汇表大小： 151，646
• 预训练 tokens： 7T

4. 长上下文处理

为增强长上下文能力，Qwen2 采取了以下策略：

1. 在预训练最后阶段将上下文长度从 4，096 tokens 扩展到 32，768 tokens
2. 引入大量高质量的长文本数据
3. 将 RoPE 的基频从 10，000 修改为 1，000，000
4. 采用 YARN 机制和 Dual Chunk Attention 机制

这些策略使模型能够处理长达 131，072 tokens 的序列，同时保持高性能。

5. 词汇表和分词器

Qwen2 使用与 Qwen 相同的基于字节级字节对编码的分词器：

• 词汇表大小：151，643 个常规 token 和 3 个控制 token
• 有效嵌入大小略大于词汇表大小（出于分布式训练考虑）

技术报告提供了 Qwen2 模型训练的整体框架和一些关键细节，但对于预训练阶段的具体超参数配置并没有详细说明。报告更多地关注了模型的架构创新、数据处理策略、以及后训练阶段的具体实施细节。

Qwen

1. 预训练阶段

1.1 数据处理

• Qwen 使用了多样化的数据集，包括公开网页文档、百科全书、书籍、代码等
• 数据集是多语言的，主要包含英语和中文
• 对公开网页数据进行了以下处理：

从 HTML 中提取文本

使用语言识别工具确定语言

进行精确匹配和模糊匹配的去重

使用规则和机器学习方法过滤低质量数据

使用多个模型对内容进行评分，包括语言模型、文本质量评分模型和不当内容识别模型

人工抽样审核确保质量

有选择地上采样某些来源的数据

• 纳入了高质量的指令数据以提高零样本和少样本性能
• 移除了与测试集有 13-gram 重叠的指令样本
• 最终构建了一个包含多达 3 万亿 tokens 的数据集

1.2 分词

• 使用字节对编码(BPE)作为分词方法
• 基于开源的 fast BPE tokenizer tiktoken，选择 cl100k_base 词表作为起点
• 增加了常用中文字符和词，以及其他语言的词汇
• 将数字分割成单个数字
• 最终词表大小约为 152K

1.3 模型架构

Qwen 采用修改版的 Transformer 架构：

• 嵌入层和输出投影层：权重不共享
• 位置编码：使用 RoPE(Rotary Positional Embedding)
• 偏置：在大多数层移除偏置，但在注意力的 QKV 层添加偏置以增强外推能力
• 归一化：使用 pre-norm 和 RMSNorm 代替传统的 layer normalization
• 激活函数：使用 SwiGLU，将前馈网络的维度从 4 倍隐藏层大小减少到 8/3 倍

1.4 训练细节

• 使用自回归语言建模作为训练目标
• 训练上下文长度为 2048
• 使用 Flash Attention 以提高计算效率和减少内存使用
• 优化器：AdamW

β1 = 0.9

β2 = 0.95

ϵ = 10^-8

• 学习率：使用余弦衰减调度，衰减到峰值学习率的 10%
• 使用 BFloat16 混合精度训练以保证训练稳定性

不同规模模型的具体参数如下：

1.5 上下文长度扩展

为了在推理时扩展模型的上下文长度，Qwen 采用了以下技术：

• NTK-aware interpolation：通过调整 RoPE 的基础来防止高频信息丢失
• Dynamic NTK-aware interpolation：动态地按块改变尺度，避免性能严重下降
• LogN-Scaling：根据上下文长度与训练长度的比例重新缩放查询和键的点积
• Window attention：限制注意力范围，防止模型关注过远的 tokens

2. 监督微调(SFT)阶段

2.1 数据处理

• 注释了多种风格的对话数据
• 关注自然语言生成以提高模型的有用性
• 避免使用可能限制模型能力的提示模板
• 注释了与安全相关的数据，如暴力、偏见和色情等
• 使用 ChatML 格式描述元数据(如角色)和内容

2.2 训练细节

• 训练目标：下一个 token 预测
• 对系统和用户输入应用损失掩码
• 优化器：AdamW

β1 = 0.9

β2 = 0.95

ϵ = 10^-8

• 序列长度：2048
• 批次大小：128
• 总训练步数：4000
• 学习率：
• 在前 1430 步逐渐增加
• 峰值为 2e-6
• 权重衰减：0.1
• Dropout：0.1
• 梯度裁剪：1.0

3. 强化学习(RLHF)阶段

3.1 偏好模型预训练(PMP)

• 构建了包含约 6600 个详细标签的分类系统
• 实现了考虑多样性和复杂性的平衡采样算法
• 使用不同大小的 Qwen 模型和不同的采样策略生成多样化的响应
• 根据标注指南评估响应，并根据分数形成比较对

3.2 奖励模型训练

• 使用相同大小的预训练语言模型 Qwen 初始化
• 在原始 Qwen 模型基础上添加了一个池化层，用于基于特定结束 token 提取句子奖励
• 学习率：固定为 3e-6
• 批次大小：64
• 序列长度：2048
• 训练轮数：1 轮

3.3 PPO 训练

• 使用四个模型：策略模型、价值模型、参考模型和奖励模型
• 在开始 PPO 之前，先更新价值模型 50 步
• 对每个查询同时采样两个响应
• KL 散度系数：0.04
• 基于运行平均值归一化奖励
• 策略模型学习率：1e-6
• 价值模型学习率：5e-6
• 价值损失裁剪：0.15
• 推理时策略 top-p：0.9
• 使用预训练梯度缓解对齐税

4. 代码专用模型训练(CODE-QWEN)

4.1 代码预训练

• 基于 QWEN 基础模型继续预训练
• 在约 900 亿 tokens 的代码数据上训练
• 上下文长度扩展到 8192
• 优化器：AdamW

β1 = 0.9

β2 = 0.95

ϵ = 10^-8

• 学习率：
• CODE-QWEN-14B： 6.0e-5
• CODE-QWEN-7B： 3.0e-5
• 3% 预热迭代，无学习率衰减

4.2 代码监督微调

• 采用多阶段 SFT 策略
• 优化器：AdamW

β1 = 0.9

β2 = 0.95

ϵ = 10^-8

• 学习率：
• 14B 模型： 2.0e-6
• 7B 模型： 1.0e-5
• 使用余弦学习率调度(3% 预热步数)，然后保持恒定

5. 数学专用模型训练(MATH-QWEN-CHAT)

• 在增强的数学指令数据集上进行数学 SFT
• 序列长度：1024
• 掩蔽系统和用户输入以加速收敛
• 优化器：AdamW

与 SFT 相同的超参数

• 峰值学习率：2e-5
• 训练步数：50，000

Baichuan2

1. 预训练阶段

1.1 数据处理

• 数据来源：网页、书籍、研究论文、代码库等多样化来源
• 数据量：总计2.6万亿tokens
• 数据处理：

使用大规模去重和聚类系统，支持LSH和密集嵌入特征

对文档、段落和句子进行去重和评分

评分用于预训练中的数据采样

1.2 模型架构

• 基于Transformer架构，但做了一些修改：

7B模型使用RoPE位置编码，13B模型使用ALiBi位置编码

使用SwiGLU激活函数

使用xFormers实现的内存高效注意力机制

输入前使用Layer Normalization

使用RMSNorm实现

1.3 训练超参数

• 优化器：AdamW

β1 = 0.9， β2 = 0.95

权重衰减：0.1

梯度裁剪：0.5

• 学习率：
• 7B模型：2e-4
• 13B模型：1.5e-4
• 2000步线性预热，然后余弦衰减
• 批量大小：未明确说明
• 训练步数：未明确说明，但提到训练了2.6万亿tokens

1.4 其他训练细节

• 使用BFloat16混合精度训练
• 使用NormHead稳定训练：归一化输出嵌入
• 使用max-z loss限制logits大小：

L_max-z = 2e-4 * z^2

其中z是最大logit值

2. 对齐阶段

2.1 监督微调(SFT)

• 数据：超过10万个人类标注的提示样本
• 标注原则：类似Claude的有帮助性和无害性原则
• 质量控制：使用交叉验证

2.2 强化学习(RLHF)

2.2.1 奖励模型训练

• 数据：按6个主类别、30个次级类别和200多个三级类别对提示进行分类
• 损失函数：与InstructGPT相同
• 评估：不同响应分数差异越大，奖励模型区分准确率越高

2.2.2 PPO训练

• 使用4个模型：

• Actor模型：生成响应
• Reference模型：计算KL惩罚(参数固定)
• Reward模型：提供整体奖励(参数固定)
• Critic模型：学习每个token的价值

• 训练细节：
• Critic模型预热20步
• 梯度裁剪：0.5
• 学习率：5e-6(恒定)
• PPO clip阈值ε = 0.1
• KL惩罚系数β = 0.2，衰减到0.005
• 训练350轮迭代

3. 安全性增强

• 预训练阶段：

数据过滤去除有害内容

增加正面价值领域数据的采样概率

• 对齐阶段：
• 构建红队测试程序
• 使用多值监督采样方法生成不同安全级别的响应
• 使用DPO方法高效利用有限标注数据
• 使用整合Helpful和Harmless目标的Reward Model进行PPO训练

Baichuan 2模型的训练过程涵盖了预训练、监督微调和强化学习等多个阶段，每个阶段都有其特定的数据处理、模型架构和训练策略。论文还特别强调了在整个训练过程中对模型安全性的关注和改进。

本文转载自 ​​芝士AI吃鱼​​，作者： 芝士AI吃鱼