Steel-LLM是一个从零开始预训练中文大模型的项目。我们的目标是使用1T+的数据预训练一个1B左右参数量的中文LLM,对标TinyLlama。项目持续更新,维持3个月+。我们会分享数据收集、数据处理、预训练框架选择、模型设计等全过程,并开源全部代码。让每个人在有8~几十张卡的情况下都能复现我们的工作。
"Steel(钢)"取名灵感来源于华北平原一只优秀的乐队“万能青年旅店(万青)”。乐队在做一专的时候条件有限,自称是在“土法炼钢”,但却是一张神专。我们训练LLM的条件同样有限,但也希望能炼出好“钢”来。为了让能持续关注我们的同学们有一些参与感,并在未来使用Steel-LLM时让模型更有可能输出你想要的内容,我们会持续收集大家的数据,各种亚文化、冷知识、歌词、小众读物、只有你自己知道的小秘密等等都可以,并训练到我们的LLM中。改编万青一专简介的一句话作为结束语:Steel-LLM完成之时,神经元已经被万亿数据填满。我们渴望这个塞了很多东西的模型还能为你们的数据留下丝缕空地。这样的话,所有用到模型的人,就有可能并肩站在一起。可以将想训练进模型的数据在问卷中填写。文本不长可以直接粘贴进问卷,如果文本较长请尽量存在txt中并上传。PDF等不好处理的文件将会在项目后期再进行处理并训练。问卷链接:https://d8g1a0vwre.feishu.cn/share/base/form/shrcnASVyyN0ccXxPMOSrMVlzfb
(上传的数据内容请遵守各项法规)
[2024/4/24]doing:撰写训练程序相关博客。todo:模型设计
[2024/4/24] 完成训练程序改进:兼容Hugginface格式模型、支持数据断点续训、支持追加新的数据
[2024/4/14] 完成数据收集与处理,生成预训练程序所需要的bin文件。更新数据收集与处理相关的博客:https://zhuanlan.zhihu.com/p/687338497
zhanshijin的知乎:https://www.zhihu.com/people/zhan-shi-jin-27
lishu14的知乎:https://www.zhihu.com/people/a-xun-58-5
使用的数据集和链接如下所示,更详细的介绍请看此篇文章
- Skywork/Skypile-150B数据集
- wanjuan1.0(nlp部分)
- 中文维基过滤数据
- 百度百科数据
- 百度百科问答数据
- 知乎问答数据
- BELLE对话数据
- moss项目对话数据
- firefly1.1M
- starcoder
- 源数据:针对三类数据进行格式统一的转化处理。
- 简单文本:百度百科(title和各段落需要手动合并)、中文维基
- 对话(含单轮与多轮):百度百科问答数据、BELLE对话数据(BELLE_3_5M)、moss项目对话数据、知乎问答数据
- 任务:BELLE任务数据(BELLE_2_5M)、firefly1.1M
- 代码数据:starcode
- 目标格式:
{"text": "asdfasdf..."}
,文件保存为.jsonl类型。 - 运行方式:
python data/pretrain_data_prepare/step1_data_process.py
我们使用data-juicer处理文本时,不改变数据格式。
-
运行方式:
sh data/pretrain_data_prepare/step2/run_step2.sh
-
选用的文本处理算子
算子 | 描述 |
---|---|
chinese_convert_mapper | 用于在繁体中文、简体中文和日文汉字之间进行转换(借助 opencc) |
clean_email_mapper | 删除邮箱信息 |
clean_html_mapper | 删除 HTML 标签并返回所有节点的纯文本 |
clean_ip_mapper | 删除 IP 地址 |
clean_links_mapper | 删除链接,例如以 http 或 ftp 开头的 |
clean_copyright_mapper | 删除代码文件开头的版权声明 (:warning: 必须包含单词 copyright) |
expand_macro_mapper | 扩展通常在 TeX 文档顶部定义的宏 |
fix_unicode_mapper | 修复损坏的 Unicode(借助 ftfy) |
punctuation_normalization_mapper | 将各种 Unicode 标点符号标准化为其 ASCII 等效项 |
remove_repeat_sentences_mapper | 删除样本中的重复句子 |
remove_specific_chars_mapper | 删除样本中的特殊字符(用户自定义) |
whitespace_normalization_mapper | 将各类空格归一转换为英语空格 |
alphanumeric_filter | 保留字母数字比例在指定范围内的样本 |
average_line_length_filter | 保留平均行长度在指定范围内的样本 |
character_repetition_filter | 保留 char-level n-gram 重复比率在指定范围内的样本 |
maximum_line_length_filter | 保留最大行长度在指定范围内的样本 |
perplexity_filter | 保留困惑度低于指定阈值的样本 |
special_characters_filter | 保留 special-char 比率的在指定范围内的样本 |
text_length_filter | 保留总文本长度在指定范围内的样本 |
word_repetition_filter | 保留 word-level n-gram 重复比率在指定范围内的样本 |
document_simhash_deduplicator | 使用 SimHash 在文档级别对样本去重 |
- 选用的代码处理算子
算子 | 描述 |
---|---|
clean_copyright_mapper | 删除代码文件开头的版权声明 (:warning: 必须包含单词 copyright) |
clean_email_mapper | 删除邮箱信息 |
clean_links_mapper | 删除链接,例如以 http 或 ftp 开头的 |
fix_unicode_mapper | 修复损坏的 Unicode(借助 ftfy) |
punctuation_normalization_mapper | 将各种 Unicode 标点符号标准化为其 ASCII 等效项 |
alphanumeric_filter | 保留字母数字比例在指定范围内的样本 |
average_line_length_filter | 保留平均行长度在指定范围内的样本 |
character_repetition_filter | 保留 char-level n-gram 重复比率在指定范围内的样本 |
maximum_line_length_filter | 保留最大行长度在指定范围内的样本 |
text_length_filter | 保留总文本长度在指定范围内的样本 |
word_num_filter | 保留字数在指定范围内的样本 |
word_repetition_filter | 保留 word-level n-gram 重复比率在指定范围内的样本 |
document_simhash_deduplicator | 使用 SimHash 在文档级别对样本去重 |
需要先在代码中修改filename_sets,指定数据路径:
python pretrain_modify_from_TinyLlama/scripts/prepare_steel_llm_data.py
输入数据格式为:包含'text'字段的jsonl文件
不单独训练tokenizer,使用Qwen/Qwen1.5-MoE-A2.7B-Chat的tokenizer
👷 待定,施工中...
基于TinyLlama预训练程序进行如下改进:
- 兼容HuggingFace格式的模型
- 加载checkpoint时,完全恢复数据训练的进度
- 数据一致性检测
- 在不影响已训练数据的情况下,在数据集中追加新的数据
GPU:8* A100 80G 硬盘:4TB
欢迎加入交流群,如二维码过期可添加微信:a1843450905