开源中文类LLaMA大语言模型汇总

近日笔者在调研开源中文大模型时发现LLaMA可以说是今年最受欢迎的大语言模型之一，LLaMA的开源带动了大语言模型社区的兴起，许多模型例如Vicuna、Alpaca等应运而生。

然而，由于LLaMA是英文原生模型，对中文的支持较弱，因此训练中文模型需要额外的训练和对齐。本文介绍了笔者在调研过程中整理的一些具有代表性的基于LLaMA中文开源模型，供读者对比这些方案的异同。

背景

在2023年开源大模型排行榜中，LLaMA占据了绝对的榜首地位。由于它使用多达14000亿tokens语料训练，以较小的模型（13B）超过了GPT3（175B）的性能，引起了社区的极大关注。

围绕LLaMA构建的LLM开源社区也随之兴起，其中有对话模型Alpaca、Vicuna，推理框架llama.cpp，训练框架Transformers、 Lighting，应用层框架text-generation-webui、LangChain、ChatLLaMA等都对LLaMA模型进行了适配。因此选用LLaMA模型进行二次开发，不仅有大量现成的解决方案可以参考，在应用层也有很多工具可以直接使用，这为大语言研究和落地带来了源源不断的动力。

然而，汉语作为一种世界互联网中的“小众”语言（仅占总体量约5%），大模型构建时往往不会针对汉语进行设计，例如ChatGPT的汉语能力远弱于英文能力，而LLaMA词表中仅包含少量汉字，并且几乎没有在中文上进行训练。为了在中文上使用LLaMA强大的语言能力，许多研究者提出了相应的解决方案。本文主要盘点中文LLaMA模型，供读者对比这些工作的异同，从而选择更加合适的模型。（按模型发布的时间顺序进行介绍）

Chinese-LLaMA-Alpaca （2023/03/28）

GitHub地址

由哈工大-科大讯飞联合实验室发布，该项目发布了基于LoRA训练的7B和13B 中文LLaMA模型和指令精调的Alpaca模型。其主要特点为，在LLaMA原版词表上，对中文进行了扩充和增量预训练，能够更加有效对中文分词，如下图所示:

在性能方面，由于该项目使用LoRA训练（仅训练模型少量参数），因此理论上性能上线低于全参数训练的模型。在目前的SuperCLUE琅琊榜（ https://www.superclueai.com/ ）测评中，该模型也处于靠后的位置（15名）

Linly（2023/03/28）

GitHub地址

伶荔-Linly由深圳大学-大数据系统计算技术国家工程实验室发布，提供对话模型 ChatFlow 、基础模型Chinese-LLaMA 。Linly项目的主要特点为，利用文本翻译数据，将LLaMA在英文上强大语言能力迁移到中文上

为了尽可能提升模型效果，Linly模型没有选择扩充词表，而是直接在LLaMA基础上全参数训练。在从头训练的Linly-OpenLLaMA中，在中文上训练了字词结合tokenizer，并以Apache 2.0 协议开源。

BELLE（2023/04/19）

GitHub地址

由LianjiaTech发布包括在LLaMA7B基础上增量预训练扩展中文词表的模型，以及基于多样化开源数据训练后的LLaMA-7B模型。该项目提供以LLaMA、BLOOM为底座的多种中文模型以及对应训练数据。此外，还提供详细的分析报告，首次在中文场景上分析了LoRA、词表扩充、数据规模等变量产生的性能影响，对后续研究提供了有价值的依据。

Ziya-LLaMA（2023.05.17）

huggingface

IDEA研究院发布的姜子牙通用大模型（Ziya-LLaMA-13B-v1），基于LLaMA-13B扩充中文词表，进行千亿token量级的预训练，使模型具备中文能力。再经过500万条多任务样本的有监督微调(SFT)和人类反馈训练（RM+PPO+HFFT+COHFT+RBRS)获得对话能力

与模型一同提供的还有一个评估集。评估集包括常识类问答、推理、自然语言理解任务、数学、写作、代码、翻译、角色扮演9大类任务，32个子类，共计185个问题

BiLLa （2023.5.11）

GitHub地址

推理能力增强的中英双语LLaMA模型。主要特点为：1.提升LLaMA的中文理解能力，并尽可能减少对原始LLaMA英文能力的损伤；2. 训练过程增加较多的任务型数据，利用ChatGPT生成解析，强化模型理解任务求解逻辑；3. 全参数训练

实验结果表明，该项目确实强化了模型的推理能力，但是牺牲了其他方向的性能，例如常识类、强知识类、时事类的问题，更像是牺牲了模型原来内化的知识，来增强了推理能力

我正在参与2023腾讯技术创作特训营第二期有奖征文，瓜分万元奖池和键盘手表