Blossom5 – 高性能开源大语言模型

介绍

Blossom是一个开源的对话式大型语言模型，旨在提供高质量的自然语言理解和生成能力，实现通用人工智能，以支持各种应用。除了模型权重之外，还发布了SFT数据，以便开发人员基于此进行进一步的研究和开发。自2023年7月推出第一代以来，Blossom已经迭代更新至第五个版本，模型综合能力得到了极大提升。

现在，隆重推出Blossom 5.0，这是本项目的又一个里程碑。

你可以通过BlossomChat在线体验Blossom5模型。

特性

• 完全开源：Blossom不仅开源了模型的权重，还公开了其训练使用的SFT（Supervised Fine-Tuning）数据，使研究人员和开发者能够复现模型训练的过程，并在此基础上进行改进。
• 双语支持：与只专注于英文的模型不同，Blossom同时针对中文和英文进行优化，对于中文用户更加友好。
• 强大性能：Blossom展示出优秀的语言理解和生成能力，无论在传统的NLP任务还是在生成式的自然语言对话任务中，都能达到领先水平。
• 注重安全：在训练的过程中，Blossom被设计为遵循符合人类伦理和社会价值观的标准，能够避免生成不恰当的内容，并维护积极的交流环境。
• 多种尺寸：模型提供4B、9B、14B、34B等多种尺寸，分别适合手机端、个人PC、云端部署，用户可以根据实际场景选择适合的模型。

模型权重

每个尺寸的模型都提供了HuggingFace Transformers和LLaMA.cpp GGUF两种格式，以及对应的在线Demo。

注意：34B版本的Demo经过了4Bit量化，效果会有一定程度的降低。

训练概述

训练一个综合性能强大，且能够遵从复杂指令的大型语言模型是十分有挑战性的。受限于篇幅长度，此处仅简单介绍Blossom的训练过程，更详细的训练细节会在后续推出。

数据多样性

Blossom的训练数据非常注重多样性，我们认为保证数据的多样性远比增加数据数量重要。与动辄百万的大规模指令数据集相比，Blossom仅使用100K左右的数据进行指令精调。

数据的多样性实际上包含两个部分，指令多样性和输入多样性，这两部分同样重要，以”计算1+2的和”为例：

• 指令多样性：计算a+b的和，是一个指令。
• 输入多样性：1、2则是输入。

数据构成

我们基于已有的研究成果，从四个方面全面增强模型的综合能力。

• Orca：基于Flan，包含近2000种任务，虽然任务种类并没有十分丰富，但是它拥有大量多样性的输入。我们使用Orca和Wizard来进行互补，保证指令多样性和输入多样性。
• Wizard：基于Evol-Instruct，一个由LLM不断迭代生成复杂指令的数据集，然而，LLM生成的数据往往输入的多样性很差。
• Math：基于GSM8K、Math23K中的问题，来让LLM生成包含解题步骤的答案，并基于原始数据集中的标注答案，校验正确性。
• Chat：基于ShareGPT，整体多样性最强，包含多轮对话的数据。此外，由于问题都是人类提出的，可能包含一些拼写错误和表述问题，这有助于增强模型对于人类输入的鲁棒性。

标注风格的一致性

我们经常会使用来源不同的指令数据集进行混合训练，来扩展数据的多样性。但是需要注意，保证标注数据风格一致是非常重要的。例如，一组数据的风格更倾向于标注简短的回答，另一组数据更倾向于标注完整的推理过程，如果将两组数据混合进行训练，得到的结果可能非常糟糕，因为两组数据的目标并不相同。

但是，如果直接使用多个来源不同的数据集，非常难保证标注风格一致，例如，Orca使用GPT 3.5、GPT 4进行标注，Wiazrd使用GPT 3.5进行标注，而ShareGPT更加糟糕，包含了多个不同版本的ChatGPT数据。

因此，我们舍弃了原始数据集中的所有输出，仅使用原始指令，重新利用LLM标注输出。

高质量的翻译指令数据

当前大多数高质量的开源指令数据集或传统自然语言处理（NLP）任务数据集都是以英文为主的。相比之下，中文数据集在数量和质量上都相对落后，为了弥补这一差距，将英文数据集准确且高效地翻译为中文成为了一个值得考虑的方案。

• 传统机器翻译：无法区分指令与输入，例如对于代码编写的场景，” Implement the following code in java”是指令，而下面的代码则是输入，我们仅仅希望将” Implement the following code in java”翻译为中文，而不希望翻译代码，但是传统的机器翻译方式无法识别指令中的数据。
• 大语言模型翻译：虽然可以在Prompt中要求大模型区分指令和输入，避免了传统机器翻译的缺点。然而，大模型存在指令注入的问题，且非常容易输出无关的解释。

我们采用大语言模型进行翻译，并且更进一步，在Prompt中约束大语言模式使用JSON进行输入与输出，这样可以很好的避免指令注入，并且在对输出进行反序列化时，可以检测是否发生了指令注入。

多阶段训练

实验表明，分阶段训练，有助于模型更好的从简单问题平滑的迁移到复杂问题。Blossom将训练分为两个阶段：

• 一阶段（90K数据）：由40K Orca、40K Wiazrd、10K Math组成，训练1个epoch。这一阶段，主要增强模型的传统NLP能力、指令遵从能力、数学能力。
• 二阶段（30K数据）：由12K Chat、上一阶段随机采样20%的数据组成，训练3个epoch。这一阶段尽可能的保留上一阶段的能力，并且引入由真实人类交互、较为复杂的多轮对话数据，来全面提升模型能力。

开放数据

下面是Blossom的训练数据，针对多场景、多语言增强模型的综合能力。

模型部署

Ollama

安装Ollama后即可在命令行中使用下面的命令一键启动，你可以打开模型列表查看全部可用模型(4b~34b)。

ollama run azure99/blossom-v5

如果希望将模型权重完全放置到GPU上，可以使用带有gpu后缀的tag。

ollama run azure99/blossom-v5:gpu

Android编译Ollama

首先需要安装Termux，然后执行下面的脚本，它会自动编译Ollama并启动服务，每次重启后，需要重新执行脚本。

curl -s https://raw.githubusercontent.com/Azure99/BlossomLM/main/inference/ollama/termux.sh | bash

执行完毕后，使用ollama启动。对于中文场景，你可能需要添加--nowordwrap来避免换行异常。

ollama run azure99/blossom-v5 --nowordwrap

Transformers

使用下面的命令进行安装，通过python web_demo.py启动网页Demo。

注意：在安装pytorch时，请务必参考官方文档。

对于个人本地化部署场景，推荐使用Ollama；对于高并发场景，推荐使用vLLM。

git clone https://github.com/Azure99/BlossomLM.git
cd BlossomLM/inference/transformers
pip install -r requirements.txt
python web_demo.py

模型评估

基础能力

通过ARC（常识推理）、HellaSwag（情境推理）、MMLU（多项选择问答）、TruthfulQA（真实性问答）、Winogrande（语言推理）、GSM8K（数学问题求解）等评估集对模型基础能力进行评估。

AlignBench

AlignBench是一个全面的中文大语言模型评估集，通过专业知识、中文理解、基本能力、数学能力、写作能力、综合问答、角色扮演、逻辑推理八个维度综合评估大模型的中文能力。

MTBench

MTBench是一个多轮对话的大语言模型评估集，通过写作、角色扮演、推理、数学、编码、提取、STEM、人文八个维度，以及两轮对话来综合评估大模型的多轮对话能力。