Glm-130b:开放式双语预训练模型
摘要
我们介绍了GLM-130B，一个具有1300亿个参数的双语(英语和汉语)预训练语言模型。这是一个至少与GPT-3(达芬奇)一样好的100b规模模型的开源尝试，并揭示了如何成功地对这种规模的模型进行预训练。在这一过程中，我们面临着许多意想不到的技术和工程挑战，特别是在损失峰值和分歧方面。在本文中，我们介绍了GLM-130B的训练过程，包括它的设计选择，效率和稳定性的训练策略，以及工程努力。由此产生的GLM-130B模型在广泛的流行英语基准测试中提供了明显优于GPT-3 175B(达芬奇)的性能优势，而在OPT-175B和布鲁姆- 176b中没有观察到这种性能优势。在相关基准测试中，它也始终显著优于最大的中文模型ERNIE TITAN 3.0 260b。最后，我们利用GLM-130B的独特缩放特性，在没有后训练的情况下达到INT4量化，几乎没有性能损失，使其成为100b尺度模型中的第一个，更重要的是，允许其对4×RTX 3090 (24G)或8×RTX 2080 Ti (11G) gpu进行有效推理，这是使用100b尺度模型所需的最经济实惠的gpu。GLM-130B模型权重是公开访问的，其代码、训练日志、相关工具包和经验教训都是在https://github.com/THUDM/GLM-130B/上开源的。
1 INTRODUCTION
大型语言模型(llm)，特别是那些参数超过1000亿个(100B)的模型(Brown et al, 2020;Thoppilan et al, 2022;Rae等，2021;Chowdhery等人，2022;Wang等人，2021)提出了有吸引力的缩放定律(Wei等人，2022b)，其中突然出现了zero-shot和few-shot能力。其中，具有175B个参数的GPT-3 (Brown et al, 2020)开创了100b尺度llm的研究，在各种基准测试中，使用32个标记样例产生的性能明显优于完全监督的BERT-Large模型。然而，GPT-3(以及许多其他封闭的100b级规模的GPT-3)模型本身以及如何训练它，到目前为止对公众都是不透明的。培养出如此规模的高质量LLM，并将模型和培训过程分享给大家，具有至关重要的价值。
因此，我们的目标是预先训练一个开放和高度精确的100b级模型，并考虑到道德问题。在我们的尝试过程中，我们已经意识到，与训练10b规模的模型相比，在预训练效率、稳定性和收敛性方面，以这种规模预训练密集的LLM会带来许多意想不到的技术和工程挑战。在训练OPT-175B (Zhang et al .， 2022)和BLOOM176B (Scao et al .， 2022)中也同时发现了类似的困难，进一步证明了GPT-3作为先驱研究的重要性。
在这项工作中，我们从工程努力、模型设计选择、效率和稳定性的训练策略以及可负担推理的量化方面介绍了100b规模模型glm - 130b的预训练。由于人们普遍认识到，经验地列举训练100b级llm的所有可能设计在计算上是负担不起的，我们不仅介绍了训练GLM-130B的成功部分，还介绍了许多失败的选择和经验教训。
特别是训练的稳定性是如此规模的训练模式能否成功的决定性因素。与OPT-175B中手动调整学习率和BLOOM-176B中牺牲性能使用嵌入范数等做法不同，我们对各种选项进行了实验，发现嵌入梯度收缩策略可以显著稳定GLM-130B的训练。
具体来说，GLM-130B是一个双语(英语和中文)双向密集模型，具有1300亿个参数，在2022年5月6日至7月3日期间，在96个NVIDIA DGX-A100 (8×40G) GPU节点的集群上预训练了超过4000亿个令牌。我们没有使用gpt风格的架构，而是采用通用语言模型(General Language Model, GLM)算法(Du et al, 2022)来利用其双向注意力优势和自回归的空白填充目标。表1总结了GLM-130B、GPT-3与另外两个开源成果------opt - 175b和BLOOM-176B，以及PaLM 540B (Chowdhery et al, 2022)------一个4倍大的模型的比较，作为参考。
总之，概念上的独特性和工程上的努力使GLM-130B在广泛的基准测试(总共112个任务)中表现出超过GPT-3水平的性能，并且在许多情况下也优于PaLM 540B，而在OPT-175B和BLOOM-176B中尚未观察到优于GPT-3的性能(参见图1左)。对于零弹性能，GLM-130B在LAMBADA上优于GPT-3 175B(+5.0%)、OPT-175B(+6.5%)和BLOOM-176B (+13.0%) (Paperno et al, 2016)，在Big-bench-lite上优于GPT-3 3 (Srivastava et al, 2022)。对于5发MMLU (Hendrycks et al, 2021)任务，它优于GPT-3 175B(+0.9%)和BLOOM-176B(+12.7%)。作为中文的双语 LLMs，它在7个zero-shot CLUE (Xu et al .， 2020)数据集(+24.26%)和5个zero-shot FewCLUE (Xu et al .， 2021)数据集(+12.75%)上的结果明显优于中文最大的 LLMs ERNIE TITAN 3.0 260B (Wang et al .， 2021)。重要的是，如图1所示，作为开放模型的GLM-130B与100b级模型相比，其偏置和生成毒性明显更小。
最后，我们设计了GLM-130B，使尽可能多的人能够进行100b规模的 LLMs研究。首先，决定130B的大小，而不是使用175B+参数作为OPT和BLOOM，因为这样的大小支持在单个A100 (8×40G)服务器上进行推理。其次，为了进一步降低对GPU的要求，我们将GLM-130B量化为不经过后训练的INT4精度，而OPT和BLOOM只能达到INT8精度。由于GLM架构的独特特性，GLM- 130b的INT4量化带来的性能下降可以忽略不计，例如，在LAMBADA上下降-0.74%，在MMLU上甚至下降+0.05%，使其仍然优于未压缩的GPT-3。这使得GLM130B在4×RTX 3090 (24G)或8×RTX 2080 Ti (11G)服务器上的快速推理性能得到保证，这是迄今为止使用100b级llm所需的最经济实惠的GPU。
图3:GLM-130B训练中不同layernorm的试验。结果表明，DeepNorm是最稳定的，因为它具有较小的梯度范数，并且在早期训练中不会出现峰值。
2 THE DESIGN CHOICES OF GLM-130B
机器学习模型的架构定义了它的归纳偏差。然而，人们已经意识到，探索llm的各种架构设计在计算上是负担不起的。介绍和解释GLM-130B独特的设计选择。
2.1 GLM-130B'S ARCHITECTURE
GLM作为主干。最近的 100B-scale LLMs，如GPT-3、PaLM、OPT和BLOOM，都遵循传统的gpt风格(Radford等人，2019)的解码器自回归语言建模架构。在GLM-130B中，我们尝试探索双向glm -通用语言模型(Du et al, 2022)作为其主干的潜力。
GLM是一种基于变换的语言模型，利用自回归填充空白作为其训练目标。简而言之，对于文本序列x = [x1，···，xn]，从中采样文本跨度{s1，···，sm}，其中每个si表示一个连续标记[si,1，···，si,li]的跨度，并用单个掩码标记替换(即损坏)以形成xcorrupt。要求模型自回归地恢复它们。为了允许损坏跨度之间的交互，它们对彼此的可见性是由它们顺序的随机抽样排列决定的。
GLM在未屏蔽(即未损坏)上下文上的双向注意将GLM- 130b与使用单向注意的GPT-style LLMs区分开来。为了支持理解和生成，它混合了两个corruption目标，每个目标都由一个特殊的mask token表示:
•[MASK]:句子中的短空格，其长度加起来相当于输入的某一部分。
•[gMASK]:在提供前缀上下文的句子末尾随机长度的长空白。
从概念上讲，具有双向注意的空白填充目标能够比gpt风格的模型更有效地理解上下文:当使用[MASK]时，GLM-130B表现为BERT (Devlin等人，2019)和T5 (rafael等人，2020);当使用[gMASK]时，GLM-130B的行为与PrefixLM相似(Liu et al, 2018;Dong et al, 2019)。
根据经验，GLM-130B在zero-shot LAMBADA上提供了创纪录的80.2%的精度，优于GPT-3和PaLM 540B(图2)。通过设置注意罩，GLM-130B的单向改型可与GPT-3和OPT-175B相媲美。我们的观察结果与现有研究结果一致(Liu et al .， 2018;Dong et al, 2019)。
图2:相似规模的GLM-130B和LLMs 在zero-shot LAMBADA语言建模。Du等人(2022)提供了GLM双向注意的详细信息。
Layer Normalization层规范化(LN, Ba等人(2016))。训练不稳定性对LLMs是一个主要挑战(Zhang et al .， 2022;Scao等，2022;Chowdhery等人，2022)(参见附录中的图10，用于训练几个100b尺度模型中的崩溃)。选择合适的LNs，可以稳定训练LLMs。我们对现有的实践进行了实验，例如Pre-LN (Xiong et al, 2020);
我们的研究后来集中在Post-LN上，因为它在初步实验中具有良好的下游结果，尽管它不能稳定GLM-130B。幸运的是，用新提出的DeepNorm (Wang et al .， 2022b)初始化后ln的一次尝试产生了很好的训练稳定性。具体而言，给定GLM-130B的层数N，我们采用DeepNorm(x) = LayerNorm(α·x + Network(x))，其中α = (2N) 1 2，并对ffn, v_proj和out_proj应用缩放因子为(2N)−1 2的Xavier法线初始化。此外，所有偏置项初始化为零。从图3可以看出，这对GLM-130B的训练稳定性有明显的好处。
Positional Encoding and FFNs位置编码和ffn。我们在训练稳定性和下游性能方面对位置编码(PE)和FFN改进的不同选项进行了实证测试(详见附录B.3)。对于GLM-130B中的pe，我们采用旋转位置编码(RoPE, Su等人(2021))而不是ALiBi (Press等人，2021)。为了改善Transformer中的ffn，我们选择GLU和GeLU (Hendrycks & Gimpel, 2016)激活作为替代品。
2.2 GLM-130B'S PRE-TRAINING SETUP
受到近期作品的启发(Aribandi et al, 2022;魏等，2022a;Sanh et al, 2022)， GLM- 130b预训练目标不仅包括自监督GLM自回归空白填充，还包括对一小部分token的多任务学习。预计这将有助于提高其下游零次学习性能。
零次学习 Zero-shot定义：学习一个新类的的视觉分类器，这个新类没有提供任何的图像数据，仅仅给出了这个类的word embedding。zero-shot基本概念
首先通过一个例子来引入zero-shot的概念。假设我们已知驴子和马的形态特征，又已知老虎和鬣狗都是又相间条纹的动物，熊猫和企鹅是黑白相间的动物，再次的基础上，我们定义斑马是黑白条纹相间的马科动物。不看任何斑马的照片，仅仅凭借推理，在动物园一众动物中，我们也能够找到斑马。
上述例子中包含了一个推理过程，就是利用过去的知识（已知动物的描述），在脑海中推理出新对象的具体形态，从而能对新对象进行辨认。（如下图所示）ZSL就是希望能够模仿人类的这个推理过程，使得计算机具有识别新事物的能力。
原文链接：https://blog.csdn.net/gary101818/article/details/129108491
**Self-Supervised Blank Infilling (95% tokens).**自我监督空白填充(95%tokens)。回想一下，GLM-130B在此任务中同时使用[MASK]和[gMASK]。每个训练序列一次独立地应用其中一个。
具体来说，[MASK]用于屏蔽30%的训练序列中的连续跨度进行空白填充。跨度的长度遵循泊松分布(λ = 3)，加起来是输入的15%。
对于其他70%的序列，每个序列的前缀被保留为上下文，并使用[gMASK]来掩盖其余部分。掩码长度从均匀分布中采样。
预训练数据包括1.2T Pile (train split) (Gao et al .， 2020) English, 1.0T Chinese wuaoorpora (Yuan et al .， 2021)，以及我们从网络上抓取的250G Chinese语料库(包括在线论坛、百科全书、QA)，形成了中英文内容的均衡构成。
**Multi-Task Instruction Pre-Training (MIP, 5% tokens).多任务指令预训练(MIP, 5%tokens)。**T5 (rafael et al, 2020)和ExT5 (Aribandi et al, 2022)表明，预训练中的多任务学习可能比微调更有帮助，因此我们建议在GLM-130B的预训练中包含各种指令提示数据集，包括语言理解、生成和信息提取。
与最近的作品相比(Wei et al .， 2022a;Sanh等人，2022)利用多任务提示微调来改善zero-shot任务转移，MIP仅占5%的tokens，并且在预训练阶段设置，以防止破坏llms的其他一般能力，例如无条件自由生成。
具体来说，我们包括74个提示数据集，来自(Sanh等，2022;Wang et al .， 2022a)，列于附录C和表12。建议GLM-130B用户避免根据第5节中说明的标准在这些数据集上评估其 zero-shot和 zero-shot能力。
2.3 PLATFORM-AWARE PARALLEL STRATEGIES AND MODEL CONFIGURATIONS
2.3平台感知并行策略和模型配置
GLM-130B在96个DGX-A100 GPU (8×40G)服务器集群上进行训练，为期60天。
目标是通过尽可能多的代币，正如最近的一项研究(Hoffmann et al, 2022)表明的那样，大多数现有的LLMs在很大程度上训练不足。
The 3D Parallel Strategy.三维并行策略。数据并行性(Valiant, 1990)和张量模型并行性(Shoeybi等人，2019)是训练十亿尺度模型的实际实践(Wang & Komatsuzaki, 2021;Du et al, 2022)。为了进一步解决由于在节点间应用张量并行而导致的巨大GPU内存需求和GPU整体利用率下降的问题，我们使用40G而不是80G a100来训练GLM-130B，我们将管道模型并行与其他两种策略结合起来，形成了一种3D并行策略。
管道并行性将模型划分为每个并行组的顺序阶段，为了进一步减少管道引入的气泡（bubbles），我们利用DeepSpeed (Rasley等人，2020)的PipeDream-Flush (Narayanan等人，2021)实现以相对较大的全局批大小(4,224)训练GLM-130B，以减少时间和GPU内存浪费。通过数值和实证检验，我们采用了4路张量并行和8路管道并行(详见附录B.4)。根据(Chowdhery等人，2022)的计算，我们报告了由于重新物化，硬件FLOPs利用率(HFU)为43.3%，模型FLOPs利用率(MFU)为32.5%。
GLM-130B Configurations。我们的目标是使我们的100B-scale LLM能够以FP16精度运行单个DGX-A100 (40G)节点。基于我们从GPT-3中采用的12288隐藏状态维，得到的模型尺寸必须不超过130B个参数，即GLM-130B。为了最大限度地提高GPU利用率，我们根据平台及其相应的并行策略配置模型。为了避免由于两端额外嵌入单词而导致中间阶段内存利用率不足，我们通过从中移除一层来平衡管道分区，使GLM-130B中的9×8-2=70个transformer层。
在对集群的60天访问期间，我们成功地训练了GLM-130B 4000亿个令牌(中文和英文各约2000亿个)，每个样本的固定序列长度为2048。
对于[gMASK]训练目标，我们使用2,048个令牌的上下文窗口。对于[MASK]和多任务目标，我们使用512个上下文窗口并将四个样本连接在一起以满足2,048个序列长度。在第一个2.5%的样本中，我们将批量大小从192预热到4224。我们使用AdamW (Loshchilov & Hutter, 2019)作为优化器，将β1和β2设置为0.9和0.95，权重衰减值为0.1。在前0.5%的样本中，我们将学习率从10−7预热到8 × 10−5，然后通过10×cosine schedule 将其衰减。我们使用0.1的（dropout rate）和使用1.0的clipping value的clip gradients(参见表11的完整配置)。
3 THE TRAINING STABILITY OF GLM-130B
glm-130b的训练稳定性
训练稳定性是GLM-130B质量的决定性因素，它也在很大程度上受到其通过tokens数量的影响(Hoffmann et al, 2022)。因此，考虑到计算使用约束，必须在浮点(FP)格式的效率和稳定性之间进行权衡:低精度FP格式(例如16位精度- fp16)提高了计算效率，但容易出overflow and underflow errors，导致训练崩溃。
Mixed-Precision。我们遵循混合精度(micicikevicius等人，2018)策略(Apex O2)的常见做法，即FP16用于向前和向后，FP32用于优化器状态和主权重，以减少GPU内存使用并提高训练效率。与OPT-175B和BLOOM-176B类似(参见附录图10)，GLM-130B的训练也会因为这种选择而面临频繁的损耗峰值，并且随着训练的进行，损耗峰值会越来越频繁。与精度相关的峰值往往没有明确的原因:有些会自行恢复;另一些则预示着梯度标准突然飙升，最终出现峰值甚至NaN损失。OPT-175B试图通过手动跳过数据和调整超参数来修复;BLOOM176B通过嵌入规范技术做到了这一点(Dettmers等人，2021)。我们花了几个月的时间对峰值进行实证调查，并意识到当transformers规模扩大时出现了一些问题:
首先，如果使用Pre-LN，transformer主支路的值尺度在较深的层中可能非常大。这在GLM130B中通过使用基于DeepNorm的Post-LN(参见第2.1节)来解决，这使得值尺度始终是有界的
其次，随着模型的扩大，注意力得分变得如此之大，以至于超过了FP16的范围。在LLMs中，有几个选项可以克服这个问题。在CogView (Ding et al, 2021)中，提出了PB-Relax来去除偏差项并在注意力计算中扣除极值以避免该问题，不幸的是，这并不能帮助避免GLM-130B中的解收敛。在BLOOM-176B中，使用BF16格式代替FP16，因为它在NVIDIA Ampere gpu(即A100)上的值范围很广。然而，在我们的实验中，由于它在梯度积累中转换为FP32, BF16消耗的运行时GPU内存比FP16多15%，更重要的是它不支持其他GPU平台(例如NVIDIA Tesla V100)，限制了生成的LLMs的可访问性。BLOOM-176B的另一个选择是将嵌入范数应用于BF16，但牺牲了对模型性能的重大惩罚，因为他们注意到嵌入范数会损害模型的zero-shot学习(Cf.章节4.3 in (Scao et al, 2022))。
**Embedding Layer Gradient Shrink 嵌入层梯度收缩(EGS)。**我们的实证研究表明，梯度范数可以作为训练崩溃的信息指标。具体地说，我们发现训练崩溃通常落后于梯度范数的"峰值"几个训练步骤。这种尖峰通常是由嵌入层的异常梯度引起的，因为我们观察到，在GLM-130B的早期训练中，其梯度范数往往比其他层的梯度范数大几个数量级(Cf。图4 (a))。此外，在早期训练中，它往往波动很大。在视觉模型(Chen et al, 2021)中，通过冻结patch投影层来处理这个问题。不幸的是，我们不能冻结语言模型中嵌入层的训练。
最后，我们发现嵌入层上的梯度收缩可以克服损失峰值，从而稳定GLM-130B的训练。它首先用于多模态变压器CogView (Ding et al, 2021)。设α为收缩因子，该策略可以通过word_embedding = word_embedding∗α+word_embedding.detach()∗(1−α)来实现。根据经验，图4 (b)表明，设置α = 0.1可以消除我们可能遇到的大多数峰值，延迟可以忽略不计。
事实上，最后的GLM-130B训练运行只经历了三次后期损失偏离情况，尽管由于硬件故障多次失败。对于三个意想不到的峰值，进一步缩小嵌入梯度仍然可以帮助稳定GLM-130B训练。有关详细信息，请参阅代码库中的训练笔记和Tensorboard日志。
4 GLM-130B INFERENCE ON RTX 2080 TI
GLM-130B的主要目标之一是降低访问 100B-scale LLMs的硬件要求，同时不存在效率和有效性方面的缺点。
如前所述，130B的模型大小是为在单个A100 (40G×8)服务器上运行完整的GLM-130B模型而确定的，而不是OPT-175B和BLOOM-176B所需的高端A100 (80G×8)机器。为了加速GLM-130B推理，我们还利用FasterTransformer (Timonin et al, 2022)在c++中实现GLM-130B。与Huggingface中BLOOM-176B的PyTorch实现相比，在同一台A100服务器上，GLM-130B的解码推理速度快了7-8.4倍。(详情见附录B.5)。
**RTX 3090 /2080的INT4量化。**为了进一步支持普及的gpu，我们尝试在保持性能优势的同时尽可能压缩GLM-130B，特别是通过量化(Zafrir等人，2019;沈等，2020;Tao等人，2022)，它为生成语言模型引入了很少的任务不可知性能下降。
通常，实践是将模型权重和激活量化到INT8。然而，我们在附录B.6中的分析表明，t LLMs' 的激活可能包含极端的异常值。同时，还发现了OPT-175B和BLOOM-176B中的突发性异常值(Dettmers等人，2022)，这些异常值仅影响约0.1%的特征维度，因此可以通过矩阵乘法分解对这些异常维度进行求解。不同的是，在GLM-130B的激活中存在大约30%的异常值，这使得上述技术的效率低得多。因此，我们决定专注于模型权重的量化(即，主要是线性层)，同时保持FP16的激活精度。量化模型在运行时动态转换为FP16精度，引入了较小的计算开销，但大大减少了用于存储模型权重的GPU内存使用。
图5:(左)注意力密度和w2的权重分布;(右)GLM-130B的INT4权重量化标度律。
令人兴奋的是，我们成功地达到了GLM-130B的INT4权重量化，而现有的成功迄今只达到了INT8。内存方面，与INT8相比，INT4版本有助于额外节省所需GPU内存的一半至70GB，从而允许GLM-130B在4 × RTX 3090 Ti (24G)或8 × RTX 2080 Ti (11G)上进行推理。在性能方面，表2表明，在没有任何训练的情况下，int4版本的GLM-130B几乎没有性能下降，因此在普通基准测试中保持了比GPT-3更好的性能优势。
表2:左:量化的GLM-130B在几个基准上的性能;右图:INT4用FasterTransformer量化GLM-130B的推理速度(编码和解码)。
**GLM's INT4 Weight Quantization Scaling Law. GLM的INT4权值量化标度律。**我们研究了图5中所示的这种独特的INT4权重量化缩放规律的潜在机制。我们在图5中绘制了权重值分布，结果证明它直接影响量化质量。具体来说，一个分布更广的线性层需要用更大的箱子进行量化，这会导致更大的精度损失。
因此，广泛分布的注意力密集矩阵和w2矩阵解释了GPT-style BLOOM的INT4量化失败。相反，与类似大小的gpt相比，GLM的分布往往要窄得多，并且INT4和FP16版本之间的差距随着GLM模型尺寸的扩大而进一步缩小(详见附录中的图15)。
5 THE RESULTS
我们按照LLMs(如GPT-3和PaLM)的常用设置来评估GLM-130B的英语1。作为中英文双语LLM, GLM-130B也以中文为基准进行评估。
GLM-130B Zero-Shot学习范围的探讨。由于GLM-130B已与MIP训练，在这里我们澄清其Zero-Shot评估的范围。事实上，"zero-shot"的解释似乎存在争议，在社会上没有达成共识。我们遵循了一项有影响力的相关调查(Xian等人，2018)，该调查称"在测试时，在Zero-Shot学习环境中，目标是将测试图像分配给看不见的类标签"，其中涉及看不见的类标签是关键。因此，我们推导出选择GLM-130B的Zero-Shot(和few-shot)数据集的标准:
•英语:1)对于具有固定标签的任务(例如，自然语言推理):这些任务中的数据集不应该被评估;2)对于没有固定标签的任务(例如，(选择题)QA，主题分类):只考虑与MIP中的数据集有明显领域转移的数据集。
•中文:所有数据集都可以评估，因为存在zero-shot跨语言迁移。
过滤测试数据集 。遵循先前的做法(Brown et al, 2020;Rae et al .2021)和我们的上述标准，我们过滤并避免报告潜在污染数据集的评估结果。对于LAMBADA和CLUE，我们发现在13-gram的设置下重叠最小。Pile、MMLU和BIG-bench要么held-out，要么晚于语料库的爬取。 Pile,
MMLU, and BIG-bench are either held-out or released later than the crawling of corpora.
5.1 LANGUAGE MODELING
LAMBADA (Paperno et al .， 2016)是一个测试最后一个单词语言建模能力的数据集。先前图2所示的结果表明，GLM-130B在双向关注的情况下实现了80.2的zero-shot精度，在LAMBADA上创造了新的记录。
Pile测试集(Gao et al .， 2020)包括一系列语言建模的基准。平均而言，与GPT-3和Jurassic1 (Lieber et al, 2021)相比，GLM130B在其18个共享测试集上的加权BPB表现最好，后者的结果直接采用后者，显示其强大的语言能力(详见附录C.4)。
表3:GLM-130B在Pile评价上的平均BPB(18个子数据集)
图6:沿着训练步骤在MMLU(57个任务)上的GLM-130B。
图7:跨尺度的BIG-bench-lite评估(24个任务)
表4:BIGbench-lite的详细信息(24个任务)。
5.2 MASSIVE MULTITASK LANGUAGE UNDERSTANDING (MMLU)
大规模多任务语言理解(mmlu)
MMLU (Hendrycks等人，2021)是一个多样化的基准，包括57个选择题回答任务，涉及从高中水平到专家水平的人类知识。它是在Pile爬取之后发布的，是LLMs几次学习的理想试验台。GPT-3结果采用MMLU, BLOOM-176B测试使用与GLM-130B相同的提示符(详见附录C.6和表15)。
在图6中查看了大约300B个tokens后，GLM-130B在MMLU上的few-shot (5-shot) p性能接近GPT-3(43.9)。随着训练的进行，它继续向上移动，当训练必须结束时达到44.8的准确率(即总共查看400B个tokens)。这与观察结果(Hoffmann et al, 2022)一致，即大多数现有LLMs远未得到充分训练。
5.3 BEYOND THE IMITATION GAME BENCHMARK (BIG-BENCH)
5.3超越模仿游戏基准(BIG-BENCH)
BIG-bench (Srivastava et al, 2022)对涉及模型推理、知识和常识能力的挑战性任务进行基准测试。考虑到llm评估它的150个任务非常耗时，我们暂时报告了big -bench寿命------一个官方的24个任务子集合。从图7和表4可以看出，在zero-shot设置中，GLM-130B优于GPT-3 175B，甚至优于PaLM 540B(比GPT-3 175B大4倍)。这可能是由于GLM-130B的双向上下文注意和MIP，这已被证明可以改善看不见的任务中的zero-shot结果(Wei等人，2022a;Sanh et al, 2022)。随着shot的增加，GLM-130B的性能不断提高，保持了其优于GPT-3的性能(各型号和任务的详细信息参见附录C.5和表14)。
限制和讨论。在上述实验中，我们观察到GLM-130B随着少弹样本数量的增加，其性能的增长(13.31 ~ 15.12)不如GPT-3(4.35 ~ 13.18)显著。下面是我们对这一现象的直观理解。
首先，GLM-130B的双向特性可能导致较强的zero-shot性能(如zero-shot语言建模所示)，从而比单向LLMs更接近相似规模(即 100B-scale)模型的few-shot"上限"。其次，这也可能归因于现有MIP范式的缺失(Wei et al .， 2022a;Sanh et al .， 2022)，它只涉及训练中的zero-shot预测，并且可能会偏向GLM-130B，以获得更强的zero-shot学习，但相对较弱的上下文few-shot性能。为了纠正偏差，我们提出的一个潜在解决方案是使用带有不同上下文样本的MIP，而不仅仅是零样本。
最后，尽管与GPT-3几乎相同的GPT架构，PaLM 540B在使用少量上下文学习的情况下的相对增长要比GPT-3显著得多。我们推测，这种性能增长的进一步加速是PaLM高质量和多样化的私人收集的培训语料库的来源。通过将我们的经验与(Hoffmann et al, 2022)的见解相结合，我们意识到应该进一步投入更好的架构、更好的数据和更多的算力FLOPS。
5.4 CHINESE LANGUAGE UNDERSTANDING EVALUATION (CLUE)
我们评估了GLM-130B在既定的中国自然语言处理基准CLUE (Xu et al .， 2020)和FewCLUE (Xu et al .， 2021)上的中国zero-shot性能。请注意，我们在MIP中不包括任何中国下游任务。到目前为止，我们已经完成了两个基准的部分测试，包括7个CLUE和5个FewCLUE数据集(详见附录C.7)。我们将GLM-130B与现有最大的中文单语语言模型260B ERNIE Titan 3.0 (Wang et al, 2021)进行了比较。我们遵循它的设置来报告开发数据集上的zero-shot结果。GLM-130B在12个任务中始终优于ERNIE Titan 3.0(参见图8)。有趣的是，GLM-130B在两个抽象MRC数据集(DRCD和CMRC2018)上的表现至少比ERNIE好260%，这可能是由于GLM-130B的预训练目标自然地与抽象MRC的形式产生共鸣。
Figure 8: GLM-130B and ERNIE Titan 3.0 260B evaluated on zero-shot CLUE and FewCLUE.
图8:GLM-130B和ERNIE Titan 3.0 260B在zero-shot CLUE和FewCLUE上的评估。
6 RELATED WORK
在本节中，我们回顾了GLM-130B在预训练 LLMs的预训练、迁移和推理方面的相关工作(Qiu et al .， 2020;Bommasani et al, 2021)。
训练。香草语言建模指的是仅解码器的自回归模型(例如，GPT (Radford等人，2018))，但它也识别文本上任何形式的自我监督目标。
最近，基于变压器的语言模型(Vaswani等人，2017)呈现出一种迷人的缩放规律:随着模型的扩展，新能力(Wei等人，2022b)从1.5B (Radford等人，2019)，10b尺度的语言模型(rafael等人，2020;Shoeybi等人，2019;Black等人，2022)，到100Bscale GPT-3 (Brown等人，2020)。后来，尽管有许多百万级的 LLMs(Lieber et al, 2021;Thoppilan et al, 2022;Rae等，2021;Smith等人，2022;Chowdhery等人，2022;Wu等，2021;Zeng等，2021;Wang et al .， 2021)的中英文版本，它们不向公众开放，或者只能通过有限的api访问。 LLMs之间的紧密关系严重阻碍了其发展。GLM-130B的努力，以及最近的ElutherAI, OPT-175B (Zhang等人，2022)和BLOOM-176B (Scao等人，2022)，旨在为我们的社区提供高质量的开源 LLMs。
转移。虽然微调实际上是迁移学习的一种方式，但由于 LLMs的规模巨大，对 LLMs的评估一直集中在提示和情境学习上(Brown等人，2020;Liu et al .， 2021a)。然而，最近的一些尝试是关于语言模型的参数有效学习(Houlsby等人，2019)和提示调谐(即p调谐，Li & Liang (2021);Liu等(2021b);Lester et al (2021);Liu et al(2022))。目前我们暂不关注这些，将把它们在GLM-130B上的综合测试留到以后的研究中。
推理。如今，大多数公众可访问的 LLMs都通过有限的api提供服务。在这项工作中，我们努力的一个重要部分是LLMs的高效和快速推理。相关工作可能包括蒸馏(Sanh等人，2019;Jiao等，2020;Wang et al, 2020)，量化(Zafrir et al, 2019;沈等，2020;Tao et al .， 2022)和修剪(Michel et al .， 2019;Fan et al, 2019)。最近的研究(Dettmers等人，2022)表明，由于异常维数的特殊分布，OPT-175B和BLOOM-176B等LLMs可以量化为8位。在这项工作中，我们展示了GLM的INT4权重量化缩放定律，该定律允许GLM- 130b在最少4×RTX 3090 (24G) gpu或8×RTX 2080 Ti (11G) gpu上进行推理。
7 CONCLUSION AND LESSONS
我们介绍GLM-130B，一种双语预训练语言模型，旨在促进开放和包容的法学硕士研究。GLM-130B的技术和工程事业为LLMs的架构、预训练目标、训练稳定性和效率以及可负担的推理提供了见解。总之，它有助于GLM-130B在112项任务的语言表现和偏见和毒性基准的道德结果方面的高质量。我们成功和失败的经验都被浓缩成 100B-scale LLMs 训练的经验教训，附在附录B.10中。