论文笔记--Llama 2: Open Foundation and Fine-Tuned Chat Models
1. 文章简介 2. 文章概括 3 文章重点技术 3.1 预训练Pretraining 3.1.1 预训练细节 3.1.2 Llama2模型评估 3.2 微调Fine-tuning 3.2.1 Supervised Fine-Tuning(FT) 3.2.2 Reinforcement Learning with Human Feedback(RLHF) 3.2.2.1 偏好数据 3.2.2.2 Reward Modeling(RM) 3.2.2.3 Iterative Fine-Tuning 3.2.3 多轮对话一致性 3.2.4 RLHF结果 3.3 Safety 3.3.1 Safety in Pretraining 3.3.2 Safety Fine-Tuning 3.3.3 Red Teaming 3.3.4 Safety评估 4. 文章亮点 5. 原文传送门 6. References1. 文章简介
标题：Llama 2: Open Foundation and Fine-Tuned Chat Models 作者：Touvron H, Martin L, Stone K, et al. 日期：2023 期刊：arxiv preprint2. 文章概括
文章训练并开源了模型Llama2系列模型。文章对Llama2做了大量的安全和有用性的微调，并进行了大量的数值试验，实验证明，Llama2-chat比其它被比较的开源的chat模型（BLOOM，LLaMa1，Falcon）效果好，且有潜力成为一些未开源chat模型（ChatGPT，BARD）的替代。meta公司发行了如下开源模型
LLAMA2模型：LLAMA1[1]的更新版本，包含7B，13B，70B参数三个版本 LLAMA2-CHAT模型：在LLAMA2之上对对话场景进行微调的chat模型，包含7B，13B，70B参数三个版本。文章整体框架如下图由于文章内容比较多，笔者挑选了其中重点的部分进行介绍。全部数值实验结果可参见原文。（这篇文章读起来和写起来真的很费力?，因为文章很长，细节很多，而且好多技术细节写的好晦涩啊）
3 文章重点技术
3.1 预训练Pretraining
3.1.1 预训练细节
文章使用自回归Transformer模型，在LLAMA1[1]的基础之上进行了一些增强，具体包括
增加数据：Llama的语料库包含2trillion个tokens，且全部为公共可用数据，不包含Meta自己的数据集 增加40%的token数 增加上下文长度从2048到4096 修改attention为Grouped-query attention(GQA)，以提升推理效率具体差异可见下表
3.1.2 Llama2模型评估
文章对上述Llama2模型与Llama1，MosaicML，Falcon这些开源模型效果进行了评估、比对。文章选择了包含代码、常识推理、世界知识、阅读理解、数学、MMLU等benchmarks进行了数值实验。如下表所示，Llama2模型效果超过了Llama1，且超过所有其他被比较的开源模型。
此外，文章将Llama2模型与GPT-3.5、GPT-4，PaLM，PaLM-2-L这些闭源模型进行了比较，通过调用这些模型的API来获得在benchmarks上面的数值实验结果。从下表可以看出，在Llama2 70B和GPT-4等闭源模型中还是有一定的性能差距的。
3.2 微调Fine-tuning
3.2.1 Supervised Fine-Tuning(FT)
类似于LIMA[2]的结论，文章发现少量高质量的SFT数据的效果超过使用大量无法保证质量的三方数据。文章发现，大约几万条高质量的SFT标注就可以实现高精度的结果，最终文章标注了27540条SFT数据。
3.2.2 Reinforcement Learning with Human Feedback(RLHF)
3.2.2.1 偏好数据
类似InstructGPT[3]，文章尝试收集人类偏好数据，并通过RLHF来将模型和人类偏好和指令遵循进行对齐。
首先，文章通过如下程序收集人类偏好数据：1) 标记员写一个prompt 2) 让模型基于该prompt生成两个回答 3) 标记员基于给定的标准进行二选一 4) 标记员给出两个回答的差异程度：significantly better, better, slightly better或者unsure。按照如上程序，文章每周迭代收集helpfulness和safety两个基准的偏好数据，从而迭代训练llama2-chat模型。
此外，标记员需要给出一个安全性的标签，标签指向三个类别：1) 被选择的答案是安全的，另一个答案不安全 2) 两个答案都是安全的 3) 两个答案都是不安全的。结果表明三种选择的占比分别为18%, 47%和35%。文章将上述第一个分类的数据移除，因为安全的回答自然会被人类偏爱。
3.2.2.2 Reward Modeling(RM)
接下来，文章利用上述helpfulness, safety偏好数据分别训练两个奖励模型Helpfulness RM和 Safety RM。文章利用预训练的chat模型作为RM的初始化参数，这样可以包含预训练阶段学习到的知识，模型参数和架构与预训练阶段一致，除了将用于预测token的分类head修改为一个计算奖励的份的回归head。
为了学习人类偏好数据，文章参考InstructGPT[3]中的ranking损失函数
L
r
a
n
k
i
n
g
=
−
log
(
σ
(
r
θ
(
x
,
y
c
)
−
r
θ
(
x
,
y
r
)
)
)
\mathcal{L}_{ranking} = - \log (\sigma (r_{\theta} (x, y_c) - r_{\theta}(x, y_r)))
Lranking=−log(σ(rθ(x,yc)−rθ(x,yr)))，其中
x
x
x为prompt，
y
c
y_c
yc为被选择的回答，
y
r
y_r
yr为被拒绝的回答，
r
θ
r_{\theta}
rθ表示奖励模型的输出分值。上述损失函数旨在令被偏好的回答
y
c
y_c
yc的得分尽可能高于被拒绝的回答
y
r
y_r
yr的得分。在此基础上，文章将收集到的偏好程度数据囊括进来：
L
r
a
n
k
i
n
g
=
−
log
(
σ
(
r
θ
(
x
,
y
c
)
−
r
θ
(
x
,
y
r
)
)
−
m
(
r
)
)
\mathcal{L}_{ranking} = - \log (\sigma (r_{\theta} (x, y_c) - r_{\theta}(x, y_r))-m(r))
Lranking=−log(σ(rθ(x,yc)−rθ(x,yr))−m(r))，其中
m
(
r
)
m(r)
m(r)表示偏好程度（前面收集的significantly better, better, slightly better或者unsure），
m
(
r
)
m(r)
m(r)越大表示被选择的回答被人类的偏好程度越明显，从而两个回答之间的得分差异要更大。
最后，将Helpfulness RM和Safety RM模型分别在Meta Helpfulness data和Meta Safety data上训练得到连个奖励模型。RM满足scaling law，即在相同的数据集上，模型越大，效果越好：
3.2.2.3 Iterative Fine-Tuning
由于Meta的人类偏好数据按周更新，从而可通过更新的数据迭代训练模型：RLHF-V1, …, RLHF-V5。具体来说，每个版本的RLHF模型可通过下述两种策略进行微调的：
PPO(proximal Policy Optimization)：标准RLHF策略，第 t t t步的样本为 t − 1 t-1 t−1步的更新策略的函数。PPO的目的是最大化奖励函数的期望，奖励函数定义如下： R ( g ∣ p ) = R ~ c ( g ∣ p ) − β D K L ( π θ ( g ∣ p ) ∥ π 0 ( g ∣ p ) ) R(g|p) = \tilde{R}_c(g|p) - \beta D_{KL} (\pi_{\theta} (g|p) \Vert \pi_0 (g|p)) R(g∣p)=R~c(g∣p)−βDKL(πθ(g∣p)∥π0(g∣p))，其中 π 0 ( g ∣ p ) \pi_0 (g|p) π0(g∣p)表示初始化的策略，公式第二项的作用为限制当前策略距离最初策略不要太远， R ~ c \tilde{R}_c R~c表示奖励函数得分的logits+白化，定义如下： R ~ c ( g ∣ p ) = WHITEN ( LOGIT ( R c ( g ∣ p ) ) ) R c ( g ∣ p ) = { R s ( g ∣ p ) , if IS_SAFETY ( p ) or R s ( g ∣ p ) < 0.15 R h ( g ∣ p ) , otherwise \tilde{R}_c(g|p) = \text{WHITEN}(\text{LOGIT} (R_c(g|p)))\\ R_c(g|p) = \begin{cases} R_s(g|p), \ \text{if}\ \text{IS\_SAFETY}(p)\ \text{or} \ R_s(g|p) < 0.15\\ R_h(g|p) , \ \text{otherwise}\end{cases} R~c(g∣p)=WHITEN(LOGIT(Rc(g∣p)))Rc(g∣p)={Rs(g∣p), if IS_SAFETY(p) or Rs(g∣p)<0.15Rh(g∣p), otherwise，简单解释下上式，IS_SAFETY就是代表模型中可能引发不安全回答的prompt p p p，即对不安全的prompt或safety RM模型 R s R_s Rs给出得分小于0.15的prompt，我们让RLHF优先学习安全奖励模型，对其它prompt才学习有用性模型 R h R_h Rh。 Rejection Sampling fine-tuning(RSFT)：从模型输出中采样K个样本，通过RM选择最好的候选作为新的gold standard，在这些样本上对模型进行梯度更新。文章只对70B的模型进行RSFT，对7B和13B的模型，文章通过70B的rejection sample进行微调，相当于对大模型的蒸馏。在V4版本之前，文章通过RSFT进行微调，在V4之后，文章通过两个策略结合（先应用RSFT，再应用PPO）进行微调。此外，文章发现，迭代过程中模型出现了遗忘。为了解决此问题，文章每次都会将早期版本的样本包含进入微调的数据集。
3.2.3 多轮对话一致性
作者发现，在多轮对话之后，RHLF模型很容易忘记最初的指令。为此文章提出了Ghost Attention(GAtt)。给定消息序列
[
u
1
,
a
1
,
…
,
u
n
,
a
n
]
[u_1, a_1, \dots, u_n, a_n]
[u1,a1,…,un,an]，其中
u
i
u_i
ui代表用户在第
i
i
i轮给出的信息，
a
i
a_i
ai为对应的模型回答。假设用户在最初的时候给出了指令inst（比如act as …）。为使模型在每一轮对话中遵循该指令，一种简单的方法是将inst直接拼接到每一个user信息中，即
[
u
1
+
i
n
s
t
,
a
1
,
u
2
+
i
n
s
t
,
a
2
,
…
,
u
n
+
i
n
s
t
,
a
n
]
[u_1+inst, a_1, u_2+inst, a_2, \dots, u_n+inst, a_n]
[u1+inst,a1,u2+inst,a2,…,un+inst,an]。然后文章通过Rejection Sampling的到上述数据的回答（作为标记数据？）；结下来在学习该标记数据时，只在第一轮增加inst，即
[
u
1
+
i
n
s
t
,
a
1
,
u
2
,
a
2
,
…
,
u
n
,
a
n
]
[u_1+inst, a_1, u_2, a_2, \dots, u_n, a_n]
[u1+inst,a1,u2,a2,…,un,an]还原到真实状态，但这样得到的结果会造成其与标记数据的mismatch，从而文章在训练每一轮对话的时候将该轮对话之前的token loss全部设置为0。
GAtt的效果非常好，实验发现GAtt下的inst可以持续到20+轮次的对话，直至达到最大的context长度。
3.2.4 RLHF结果
首先文章基于模型对RLHF进行自动评估。为了确定RW自动评估的效果是否准确，文章收集了一系列的包含有用性和安全性的prompts测试机，然后让标记员评估回答的Likert Score。我们发现RM给出的分数和人类的Likert score强相关。基于RM对不同阶段的模型结果进行评估，文章发现RM模型和ChatGPT模型对llama2-chat模型评估效果都很好，在V3之后helpfulness和safety指标上都高于ChatGPT(50%)，如下图所示。
文章又进行了人工评估：令人类标记员在4000个单轮+多轮对话上对主要模型版本的回答质量进行打分（多轮对话当作整体）。如下图所示，llama2-chat模型在单轮对话和多轮对话上表现均优于所有开源模型。
3.3 Safety
3.3.1 Safety in Pretraining
首先文章预训练数据集未包含任何包含个人信息的数据，且未使用meta自己用户的数据，除此之外未进行其它过滤。
文章对预训练语料库进行了统计分析
文章通过HateBERT评估了英语语料中的有毒语料（toxicity），发现仅0.2%的文档中可能包含有毒文本（似然分数>=0.5) 文章使用fastText来进行语言检测，超过0.5似然分数的认为属于该语言。最终检测结果表明89.7%的语料，从而针对其它语言要谨慎使用llama2。
此外，文章通过safety benchmarks来对预训练模型进行安全分析，具体包含以下benchmarks：
Truthfulness：通过TruthfulQA数据来检测模型输出是否可靠、真实、符合常理。 Toxicity：通过ToxiGen来检测有毒回答 Bias：通过BOLD检测模型生成是否有政治倾向 如下表所示，相比于llama1-7B，llama2-7B提升了21.37%的truthfulness，降低了7.61%的toxicity，且bias有提升。但相比于其它开源模型，llama2的toxicity还是很高，这是因为文章用到的数据集未经系统的过滤。但增加过滤之后模型很难再执行一些诸如hate speech的任务了。
3.3.2 Safety Fine-Tuning
接下来文章介绍了在FT阶段的safety策略，主要包含以下几种
Supervised Safety FT：首先将adversarial prompts（用户选择的可能造成不安全回答的prompts）和安全的生成内容结合，将该数据放入SFT数据中。从而模型可以在RLHF之前就和安全指导对齐。 Safety RLHF：在RLHF阶段，文章训练了一个安全的safety RM来指导模型生成安全的回答。Safety RLHF的效果如下图所示，可以看到，下图左的Safety RM分值在应用safety RLHF之后（y轴）相比于之前（x轴）有明显的提升，且下图右的helpfulness RM分值在应用safety RLHF之后（y轴）相比于之前（x轴）未发生明显降低。Safety Context Distillation：最后，文章将一个preprompt作为前文介绍的inst（比如：you are a safe and responsible preprompt ）和prompt结合，让模型生成安全的回答。
此外，文章证明了，当helpfulness数据不变时，safety数据越多，模型处理不安全prompts的能力越强，且低安全性的回答越少（ligher score），如下图所示
为了判断模型是否有false refusal（拒绝安全的prompts），文章在helpfulness数据集和精心设计的安全的但包含一些敏感词的prompts上（borderline dataset）进行评估，结果发现在helpfulness数据上false refusal大约仅有0.05%，占比很低。但在精心设计的borderline dataset上大的多（20%以上），说明llama2-chat针对此类数据的判断能力仍需提高。
3.3.3 Red Teaming
文章组建了一个red teaming组，包含各个领域的专家来对不同风险分类进行模拟风险，从而减少模型的安全性问题。参与者需要标注出对话的风险领域、风险等级，作者会根据标注结果进行训练策略调整。
定义模型的鲁棒性指标为
γ
\gamma
γ，文章发现在几轮red teaming 和模型优化之后，模型鲁棒性有所提升：
γ
:
1.8
→
0.45
\gamma : 1.8 \to 0.45
γ:1.8→0.45。
3.3.4 Safety评估
文章收集了2000个adversial prompts来进行人工评估，其中1351个是单轮对话，623个是多轮对话。然后人工对模型的安全性进行打分：1～5，分数越高表示越安全且有用。考虑打分1-2为violation，则如下图左所示，llama-整体的violation在所比较的模型中最低，且下图右表明llama2整体的整体打分也高于其它模型。
4. 文章亮点
文章训练并发行了一系列llama2模型，其中llama2-chat是迄今为止开源的chat模型中表现最好的。且文章给出的llama2给出了一系列安全性增强策略，可供其它LLM参考。
5. 原文传送门
Llama 2: Open Foundation and Fine-Tuned Chat Models
llama2 模型
llama2 代码
6. References
[1] 论文笔记–LLaMA: Open and Efficient Foundation Language Models
[2] 论文笔记–LIMA: Less Is More for Alignment
[3] 论文笔记–Training language models to follow instructions with human feedback
[4] GAtt示例