2万亿训练数据，120亿参数！开源大模型Stable LM 2-12B

专注AIGC领域的专业社区，关注微软&OpenAI、百度文心一言、讯飞星火等大语言模型（LLM）的发展和应用落地，聚焦LLM的市场研究和AIGC开发者生态，欢迎关注！

4月9日，著名大模型开源平台Stability.ai在官网开源了，全新类ChatGPT模型Stable LM 2 12B。

据悉，Stable LM 2 12B有120亿参数，使用了英语、西班牙语、德语等7种语言2万亿tokens的训练数据。一共有基础模型和指令微调两个版本，能生成文本、代码等内容，还能作为RAG的核心来使用。

同时，Stability.ai还对之前发布的模型Stable LM 2 1.6B进行了更新，尤其是在硬件需求方面进行了大幅度优化。所以，这两款模型非常适合小企业、个人开发者使用。其性能也超过了Qwen1.5-14B-Chat、Mistral-7B-Instruct-v0.2等知名开源同类小参数模型。

12B开源地址：https://huggingface.co/stabilityai/stablelm-2-12b

1.6B新版本：https://huggingface.co/stabilityai/stablelm-2-1_6b-chat

技术报告：https://arxiv.org/abs/2402.17834

在线demo：https://huggingface.co/spaces/stabilityai/stablelm-2-chat

StableLM 2架构介绍

Stable LM 2 12B/1.6B皆使用的是Transformer架构，一共24层、32个自注意力头，并使用大量公开且多样化大约2万亿tokens的数据集进行了预训练。

这些数据包括Arxiv、PubMed、S2ORC、PhilPapers等学术论文数据集，以及BookCorpusOpen、PG-19、FanFics等图书和小说数据集。

Stability.ai还使用了来自Web的数据集，如Cultura-X、OpenWebText2、RefinedWeb等，以及来自社交媒体和法律领域的数据集。

此外，每个数据集都有相应的权重，为每个数据集提供了详细的统计信息，包括标记数量、训练时长等。还使用了一种创新的分词技术，对原始分词器进行了扩展，以便更好地压缩代码和非英文语言数据。

训练策略方面，Stability.ai使用了一种称为“FlashAttention-2”的高效序列并行优化技术，以4096的上下文长度从头开始训练StableLM 2。同时训练过程中采用BFloat16混合精度，并使用标准的AdamW优化器进行训练。

模型微调阶段，Stability.ai使用了监督微调（SFT）、直接偏好优化（DPO）和自我知识学习三种方法，对生成的文本进行排序，然后使用排序结果来调整模型的参数，使其生成更符合人类偏好的文本。

StableLM 2测试数据

Stability.ai将两款StableLM 2 模型在ARC、HellaSwag、MMLU、TriviaQA、Winograd、GSM8K等知名测试平台上进行了综合测试。

零样本和少样本基准测试方面，StableLM 2 1.6B在综合平均分数上获得45.3分,在1.6B以下模型中名列前茅,但仍低于一些更大的模型如phi-2和stablelm-3b-4e1t。

而Stable LM 2 12B的性能超过了Qwen1.5-14B-Chat、Mistral-7B-Instruct-v0.2等模型，略低于mistralai/Mixtral-8x7B-Instruct-v0.1。

多语言基准测试：StableLM 2 1.6B在不同语种任务上的表现都很出色，在所有语种的综合分数为40.5分,在英语任务上得分48.7分、德语39.1分、西班牙语39.0分等。

多轮对话基准测试：StableLM 2 1.6B与其他模型在MT-Bench多轮对话任务上进行了深度对比。StableLM 2 1.6B的综合得分与规模明显更大的模型如Mistral-7B和MPT-30B不相上下,在某些指标上甚至获得了更高的分数。

本文素材来源Stability.ai官网，如有侵权请联系删除

END

本篇文章来源于微信公众号: AIGC开放社区