Meta科学家最新采访 揭秘Llama 3.1是如何炼成的

Llama 3.1都使用了哪些数据？其中有多少合成数据？为什么不使用MoE架构？

后训练与RLHF流程是如何进行的？模型评估是如何进行的？

我们什么时候可以见到Llama 4？Meta是否会发展agent？

恰逢Llama 3.1刚刚发布，Meta科学家就现身播客节目Latent Space，秉持着开源分享的精神，对以上问题都作出了清晰的回答。

受访者Thomas Scialom现任Meta的人工智能研究科学家，领导了Llama 2和Llama 3的后训练，并参加了CodeLlama、Toolformer、Bloom、GAIA等多个项目。

以下是采访内容的节选。

Llama 3.1研发思路

如何决定参数规模

其实LLM的参数规模的选择需要考虑多种因素，包括scaling law、训练时间、GPU和硬件的约束等等。

而且，不能只考虑Meta所用的硬件，还有整个AI社区，并不是每个人都在使用H100，还有很多不同的GPU型号和显存大小。

再加上，目前广泛应用于推理阶段的量化技术，比如可以用FP16或FP8精度，这会改变推理和训练/微调成本的比重。

以上这些限制因素，都让模型规模的选择成为一个非常具有挑战性的问题。

总体而言，着重考虑的是目前已有的算力，在Scaling Law和训练token总量的限制内，我们进行了一些权衡，找到了一个有合适推理效率的平衡点。

之所以做到405B这么大规模，其实原因很简单——我们想做出最好的模型，一个真正与GPT-4比肩的开源模型。（现在是GPT-4o了）虽然目前还没有完全达到目标，但差距正在逐渐缩小。

正如小扎之前宣布的，Meta囤积了越来越多的GPU，因此下一代模型将继续扩展。

对于网友们所说的，无法在家里运行Llama 3.1，这很有可能是事实。但如果进行FP8量化，依旧可以用128k的上下文窗口在单节点上运行。

从另一个角度来看，我们还是要寄希望于开源社区的力量。Llama 1和Llama 2刚刚发布时，大家同样认为模型太大了，但两周后它就能在树莓派上运行了。

虽然不能确定Llama 3.1也会和以前一样，但通过将模型开源，我们希望可以看到类似的趋势。

重新审视Scaling Law

我们所熟知的Scaling Law主要关注两个维度，即模型权重和训练量，包括训练时的step、epoch和token总量等等。

基本上，论文的发现就是，模型规模是重要因素。因此，GPT-3犯了一个错误——模型参数量远远超出了token总量的要求。

论文地址：https://arxiv.org/pdf/2001.08361

这也正是之后的Chinchilla所发现和强调的，相比最初的Scaling Law，他们更强调了训练数据token总量的重要性。

论文地址：https://arxiv.org/pdf/2203.15556

Chinchilla论文想要找到“算力最优化”的训练方式，认为在有限算力的前提下，存在一个模型参数量和训练token数的最佳比率。

如果你希望在论文的基准测试中得到最优模型，那么Chinchilla本身没有问题；但Meta要发布的旗舰模型还需要更高的推理效率。

因此，我们选择增加训练的token数，并增加训练时长，让模型达到“过度训练”的状态。

这不符合Chinchilla定律，也会付出额外的算力，但我们希望让模型有更好的推理表现，从而更多地应用于开源社区，因此需要做出一些超越Chinchilla定律的选择。

事实上，这也是Llama 1的研发人员所做的事情。我所说的“不要陷入Chinchilla陷阱”就是这个意思。

模型架构

相比Llama 2， Llama 3的架构没有太多变化，但是在扩展数据的规模和质量方面，我们作出了很多努力，数据集从2T token增加到15T token。

架构方面，我认为将来会有更多改进，甚至不仅仅局限于Transformer。

目前的Tranformer架构仍然缺少灵活性，比如，我认为对每个token使用等量的算力是没有意义的，因此还有很多研究的空间。

关于“为什么不使用MoE架构”，这个是我经常听到的质疑，其中的原因有多个方面。

我认为，稠密模型只是MoE的一个特定变体，你可以把它看作只有一个专家的MoE，因此这只是一个还没有优化的超参数而已。

但我们目前正在进行一些工作，未来可能会在这个超参数上继续探索。

关于合成数据

关于数据，我的直觉是，公开互联网上充斥着过多文本垃圾，用这些token训练模型是对算力的浪费。

在为Llama 2抓取数据时，我们就使用Llama作为分类器，用于过滤出高质量的token，并打上主题标签，比如这段文本是和数学、法律还是政治有关，这样可以实现主题的均衡和多样性。

Llama 3的后训练过程完全没有使用人工书写的答案，仅依靠从Llama 2获得的合成数据。

我非常看好合成数据，而且随着模型性能提升，情况也会变得更好。

LLM的评估与改进

目前的模型研发有一个趋势，就是针对基准分数进行模型的后训练改进。

模型评估是一个开放的研究问题，目前还没有很好的答案，尤其是面对同一个模型有如此多的功能。

当你试图提升模型在某个基准上的分数时，这就不再是一个好的基准了，因为可能会存在过拟合，分数提升未必可以迁移成为相似的能力。

因此，语言模型的评估，尤其是训练后评估，是一个非常困难的问题。我们尝试过很多方法，包括用奖励模型，model-as-a-judge、使用多样化的提示、多样化的基准测试……

我感觉为Llama 2进行评估要比今天容易多了，当时的模型性能比现在相差很多。现在的模型变得如此好，以至于很难找到能击溃模型的合适prompt，进行性能比较并查看边界情况。

比较模型的其中一个好办法就是进行多轮RLHF。每次上传新模型时，只需在所有带标注的prompt上进行采样，让新旧模型分别回答，再自动计算胜率。

Llama 4与Agent

Meta已经在6月开始训练Llama 4模型，而且重点可能围绕agent技术，并且已经在Toolformer等agent工具上进行了一些工作。

论文地址：https://arxiv.org/pdf/2302.04761

但同时也要意识到，如果没有一个优秀的指令模型，Toolformer扩展和未来能力也会大大受限，因此我们研发了Llama 2和Llama 3。

此外，Meta也曾在一年前发布GAIA基准，用于评估模型解决现实世界问题的能力。

在这个基准的排行榜上，基于GPT-3的agent系统得分几乎接近于零，但GPT-4驱动的系统就有很好的成绩，比如30%～40%，这其中就体现出模型的智力差距。

在我看来，agent的各种能力，比如函数调用、遵循复杂指令、预先规划、多步骤推理等等，和模型的这种智力差距是类似的。

论文地址：https://arxiv.org/pdf/2311.12983

现在有了足够强大的Llama 3，我将重新专注于agent的构建。如果能实现良好的模型互联，形成一个复杂的agnent系统，将获得几个数量级的扩展，从而实现规划、回溯、网页导航、代码执行等多种功能。