匈牙利高中数学考试得分仅次于GPT-4
丰色 发自 凹非寺
量子位 | 公众号QbitAI
国产大模型刚刚出了一位全新选手：
参数670亿的DeepSeek。
它在近20个中英文的公开评测榜单上直接超越了同量级、700亿的Llama 2。
并尤其以推理、数学和编码能力为突出。
其中在数学能力上，它测了Grok刚刚参与过的匈牙利今年最新的高中数学考试题，得了65分。
对比Grok当时公布的成绩：59分，以及GPT-4的68分，表现十分出色。
DeepSeek主打一个发布即开源：
共包含70亿和670亿两个参数版本，每个版本均含基础模型和指令微调模型，无需申请，即可免费商用。
同时，它已开放了全面内测，注册一下就能玩。
Ps. DeepSeek的中文能力在GPT-3.5之上，可以使用中文进行测试。
在推特上，DeepSeek也引起了一大批技术同行的关注：
早期测试过的人表示没毛病。
还有人赞誉DeepSeek弥补了开源LLM在数学和编码上的短板。
那么，DeepSeek是如何训练出来的？
与Llama架构相同
DeepSeek使用与Llama相同的架构，即自回归Transformer解码器架构。
其中70亿参数的版本使用多头注意力，670亿参数版本使用分组查询注意力。
预训练在包含2万亿个中英文token的数据集（序列长度4096）和AdamW优化器上进行。
其中70亿参数版本的模型的训练batch size为2304，学习率为4.2e-4；670亿参数版本的模型的batch size为4608，学习率为3.2e-4。
DeepSeek的训练过程中特别采用了多步学习率计划：
先从2000个预测步骤开始，然后在1.6万亿token时逐步达到最大值的31.6%，在1.8万亿token时逐步达到最大值的10%。
有网友看完表示：
这种从1.6万亿token时开启的学习率冷却阶段有点类似于"Scaling Vision Transformers"那篇论文中的lr计划消融操作。
这也与Llama的余弦学习率衰减（要求它们提前指定步数）完全不同，非常有趣。
下图是作者发布的DeepSeek训练损失曲线以及在几个基准上的曲线图：
数学和编码能力突出
我们重点关注DeepSeek进行的如下三大类测试结果。
一个是今年5月才发布的2023年匈牙利高中数学考试题。
尽管DeepSeek已经在GSM8k和MATH这两个标准基准上取得了不错的成绩：
但由于存在过度拟合这些数据集的风险，作者还是决定评估一下样本外的数学泛化能力。
如下图所示，位于右上角的670亿参数DeepSeek最终在样本内数学能力（纵轴GSM8K）排名第三，仅次于Claude 2和GPT-4，但在样本外 数学能力（横轴Exam Score）排名第二，仅次于GPT-4。
第二个是考验DeepSeek指令跟随能力的测试。
在此，作者使用了谷歌11月15日刚刚发布的指令跟随评测集，来评价模型的"听话程度"。
结果是领先一众开源模型，但59.1分的成绩与GPT-4还有20分的差距。
最后是代码能力测试。
同样，作者在这里重点关注了样本外能力，选择的是LeetCode今年7月2日到11月12日的最新真题进行测试。
结果是比国内常见的大模型都要好很多，并且也远远超越了GPT 3.5。
背后公司是谁？
经搜索，DeepSeek背后的公司名叫深度求索。base位于北京，今年5月正式成立。
目标不止是大模型，而是AGI。
就在11月初，这家公司就发布代码大模型DeepSeek Coder。
与之前最好的开源大模型CodeLlama相比，DeepSeek Coder在代码生成任务上（使用标准数据集HumanEval、MBPP和DS-1000进行评测）分别领先了9.3%、10.8%和5.9%。
特别值得一提的是，深度求索其实是从知名私募巨头幻方旗下独立出来的一家公司。
幻方这家公司听起来和AI"八杆子打不着"，但实际上，2019年时，幻方就发布了自研深度学习训练平台"萤火一号"。
据称该项目总投资近2亿元，共搭载了1100块GPU。
后来"萤火一号"由升级为"二号"，搭载的GPU数则达到了约1万张。
参考链接：