可商用,万亿级语料训练!中文基座模型CPM-Bee开源了

添加书签

专注AIGC领域的专业社区,关注OpenAI、百度文心一言等大语言模型(LLM)的发展和应用落地,关注LLM的基准评测和市场研究,欢迎关注!

自OpenBMB开源社区成立以来,就坚定不移地践行“让大模型飞入千家万户”的理念,开发模型全流程加速系统以高效支持大模型的预训练、微调、应用和推理,并发起 百亿大模型训练直播项目CPM-Live

终于!CPM-Live 第二阶段的进度条终于拉到了100%,迎来了CPM-Live第二个里程碑:CPM-Bee 开源发




 全新升级 🐝 

CPM-Ant 蝶变 CPM-Bee

CPM(Chinese Pretrained Model) 系列大模型是我们团队自研模型,其中包括国内首个中文大模型 CPM-1高效易用大模型 CPM-2、可控持续大模型 CPM-3 等。最新的百亿大模型训练直播项目 CPM-Live 的计划书在2022年5月26日发布,第一期模型 CPM-Ant 的训练在2022年5月29日正式启动,并于2022年9月16日圆满发布报告。

作为 CPM-Live 的第二期模型,CPM-Bee 在2022年10月13日开启训练,在基础能力和性能表现上都在 CPM-Ant 的基础上进行了全新升级。CPM-Bee 一网打尽多种能力,可以准确地进行语义理解,高效完成各类基础任务,包括:文字填空、文本生成、翻译、问答、评分预测、文本选择题 等等。考虑到用户使用模型的易用性,我们在预训练阶段将模型的输入输出设计成了 JSON 结构化形式,用户只需调整不同任务字段,就可以完成各类任务。

"文本生成": {"input": "今天天气很好,我和妈妈一起去公园,<mask>", "prompt": "往后写两句话", "<ans>": ""}"翻译": {"input": "北京是中国的首都", "prompt": "中翻英", "<ans>": ""}"评分预测": {"input":"之前多次聚餐都选择这里,有各种大小的包房同时能容纳很多人,环境好有特色还有表演,整体聚餐氛围一下被带动起来。现在由于炭火改成了电烤羊,口感真的不如从前,不过其他菜品都还是不错,烤羊剩下的拆骨肉最后还能再加工一下椒盐的也很好吃。","question":"评分是多少?(1-5)","<ans>":""}"选择题": {"input""父母都希望自己的孩子诚实、勇敢、有礼貌。要想让孩子成为这样的人,父母首先得从自己做起,要是连自己都做不到,又怎能要求孩子做到呢?""options": {"<option_0>""少提要求""<option_1>""降低标准""<option_2>""自己先做好""<option_3>""让孩子拿主意"}, "question""教育孩子时,父母应该:""<ans>"""}


CPM-Bee 是一个 完全开源、允许商用 的百亿参数中英文基座模型。它采用 Transformer 自回归架构(auto-regressive),使用万亿级高质量语料进行预训练,拥有强大的基础能力。CPM-Bee 的特点可以总结如下:

  • 开源可商用:OpenBMB 始终秉承“让大模型飞入千家万户”的开源精神,CPM-Bee 基座模型将完全开源并且可商用,以推动大模型领域的发展。如需将模型用于商业用途,只需企业实名邮件申请并获得官方授权证书,即可商用使用。

  • 中英双语性能优异:CPM-Bee 基座模型在预训练语料上进行了严格的筛选和配比,同时在中英双语上具有亮眼表现,具体可参见评测任务和结果。

  • 超大规模高质量语料:CPM-Bee基座模型在万亿级语料上进行训练,是开源社区内经过语料最多的模型之一。同时,我们对预训练语料进行了严格的筛选、清洗和后处理以确保质量。

  • OpenBMB大模型系统生态支持:OpenBMB 大模型系统在高性能预训练、适配、压缩、部署、工具开发了一系列工具,CPM-Bee 基座模型将配套所有的工具脚本,高效支持开发者进行进阶使用。 

  • 强大的对话和工具使用能力:结合OpenBMB 在指令微调和工具学习的探索,我们在 CPM-Bee 基座模型的基础上进行微调,训练出了具有强大对话和工具使用能力的实例模型,现已开放定向邀请内测,未来会逐步向公众开放。

 🔗 Github地址   https://github.com/OpenBMB/CPM-Bee

 🔗 Hugging Face地址   https://huggingface.co/openbmb/cpm-bee-10b
 ➤  CPM-Bee商用申请通道   发送申请邮件至 cpm@modelbest.cn 获取授权证书





 百炼千锤 💪 

零样本评测独占鳌头


我们对 CPM-Bee 基座模型进行了全方位的中英文能力评测。在中文的 Zero-CLUE 评测基准上,CPM-Bee 可以大幅超越其他模型,稳居中文大模型第一

ZeroCLUE 榜单(2023.05.27)

在英文评测基准上,CPM-Bee 也 展现出了和开源模型 LLaMA 相当的效果。

英文评测

使用CPM-Bee提供的API 与 OpenBMB 和 THUNLP联合自研的Decoder Tuning(ACL 2023)技术,可以在 不访问和修改模型参数的情况下大幅提高下游任务的性能




 生态支持 ✨ 

微调压缩部署一应俱全


基于 OpenBMB 的大模型生态系统,我们在训练 CPM-Bee 的过程中实现了全流程高效。同时提供了训练(基于 BMTrain)、微调(基于 OpenPrompt 和 OpenDelta)、外部工具使用(基于 BMTools)、模型压缩(基于 BMCook)低资源推理(基于 BMInf)的全套脚本,可以协助开发者快速上手和使用 CPM-Bee。

基于高效微调工具 OpenDelta,我们给出了两种微调方案:全参数微调和增量微调,可以将 CPM-Bee 适配到各类下游场景中。

基于高效压缩工具 BMCook,我们对原始的 CPM-Bee 基座模型进行压缩,提供了 10B、5B、2B、1B 四种大小的 CPM-Bee 模型来适应各种不同的场景:

模型

#Attn.层

#FFN层

Attn隐状态维度

FFN隐状态维度

CPM-Bee-10B

48

48

4096

10240

CPM-Bee-5B

19

24

4096

10240

CPM-Bee-2B

19

24

2048

5120

CPM-Bee-1B

19

24

1280

1024


对于压缩后的 CPM-Bee,普通的消费级显卡即可完成快速推理,不同大小的模型所占用的推理资源如下:

模型

推理内存占用

硬件需求

CPM-Bee-10B

20GB

RTX3090(24 GB)

CPM-Bee-5B

11 GB

RTX3090(24 GB)

CPM-Bee-2B

6.7 GB

GTX 1080(8 GB)

CPM-Bee-1B

4.1 GB

GTX 1660(6 GB)



OpenBMB 始终坚守初衷,致力于打造卓越的大规模预训练语言模型库和相关工具。基于工具平台和模型库,我们在建设大模型开源生态的同时,也积极促进大模型的落地与广泛应用。

依托强大的开源基座模型 CPM-Bee,我们期待世界上涌现出更多精彩的大模型和大模型驱动的产品应用。人工智能的大模型时代正在加速行进!

本文来源 OpenBMB开源社区,如有侵权请联系删除

END