YAYI2: 中科闻歌推出的新一代多语言开源大语言模型

YAYI2: 开启多语言大模型新纪元

在人工智能和自然语言处理领域,大语言模型(LLM)的发展日新月异。近日,中科闻歌推出了新一代开源大语言模型YAYI2,为多语言大模型的发展注入了新的活力。YAYI2采用了超过2万亿Tokens的高质量、多语言语料进行预训练,在多项基准测试中展现出卓越性能,为中文大语言模型开源社区的发展做出了重要贡献。

模型概述与特点

YAYI2是一个基于Transformer架构的大语言模型,包括Base和Chat两个版本,参数规模为30B。该模型采用了大规模的多语言语料进行预训练,涵盖中文、英文等十余种常用语言。为了更好地适应通用和特定领域的应用场景,研发团队采用了百万级指令进行微调,并借助人类反馈强化学习(RLHF)方法,使模型与人类价值观更好地对齐。

YAYI2的一大特色在于其强大的多语言处理能力。研发团队使用500GB高质量多语种语料训练了分词器,采用Byte-Pair Encoding(BPE)算法,词表大小为81920。这不仅提高了模型对多语言的理解和生成能力,还为跨语言应用奠定了基础。

卓越的性能表现

在多个权威基准测试中,YAYI2展现出了优异的性能。研发团队在C-Eval、MMLU、CMMLU、AGIEval、GAOKAO-Bench、GSM8K、MATH、BBH、HumanEval以及MBPP等多个测试集上进行了评估,涵盖了语言理解、学科知识、数学推理、逻辑推理以及代码生成等多个方面。

值得一提的是,YAYI2-30B在多个测试中超越了同等规模的开源模型:

• 在AGIEval测试中,YAYI2-30B得分62.0,显著高于LLaMA2-34B的43.4分。
• 在CMMLU测试中,YAYI2-30B以84.0的高分领先,展现出强大的中文理解能力。
• 在数学推理能力测试GSM8K中,YAYI2-30B得分71.2,超过了Yi-34B的67.6分。
• 在代码生成任务HumanEval中,YAYI2-30B以53.1的得分遥遥领先,展示了卓越的编程能力。

这些优异的成绩充分证明了YAYI2在多语言处理、知识理解、逻辑推理等方面的全面实力。

开源与生态建设

中科闻歌选择开源YAYI2-30B Base模型,旨在推动中文预训练大模型开源社区的发展。通过开源,YAYI2为研究人员和开发者提供了一个强大的工具,有助于促进大语言模型技术的创新和应用。

为了方便社区使用和二次开发,YAYI2项目提供了详细的使用说明和示例代码。用户可以通过简单的Python代码快速加载模型并进行推理。此外,项目还支持全参数微调和LoRA微调,为不同规模的应用场景提供了灵活的选择。

数据处理与模型训练

YAYI2的成功离不开高质量的训练数据和精心设计的数据处理流程。研发团队构建了一套全方位提升数据质量的处理流水线,包括标准化、启发式清洗、多级去重和毒性过滤四个关键模块。从240TB的原始数据中,最终筛选出10.6TB的高质量数据用于模型训练。

在预训练阶段,YAYI2不仅使用了大量互联网数据,还incorporates了精选的通用数据和领域特定数据,以增强模型的专业知识和技能。数据分布涵盖了社交媒体、新闻、百科、问答、学术文献等多个领域,确保了模型知识的广泛性和多样性。

未来展望与应用前景

YAYI2的发布为中文大语言模型的发展开辟了新的可能性。其强大的多语言处理能力和卓越的性能表现,使其在自然语言理解、知识问答、文本生成、代码编程等多个领域具有广阔的应用前景。

未来,YAYI2团队计划进一步优化模型性能,扩大支持的语言范围,并探索更多垂直领域的应用。同时,通过与开源社区的紧密合作,YAYI2有望在推动大语言模型技术创新和应用落地方面发挥更大的作用。

结语

YAYI2的推出标志着中国在大语言模型领域取得了重要进展。作为一个开源项目,YAYI2不仅为研究人员和开发者提供了宝贵的资源,也为推动人工智能技术的民主化和普及做出了重要贡献。随着更多开发者和企业加入YAYI2生态系统,我们有理由期待看到更多基于该模型的创新应用和突破性成果。

YAYI2的成功再次证明,开源合作是推动技术进步的重要力量。通过开放共享、协作创新,我们能够共同构建更加智能、更具包容性的人工智能未来。让我们共同期待YAYI2在未来带来的无限可能!

YAYI2 GitHub仓库

YAYI2 技术报告