|
在2023年3月，我们发表了大语言模型综述文章《A Survey of Large Language Models》，目前已经更新到第13个版本，自上线以来受到了不少读者的关注。在几周之前，我们完成了中文版书籍《大语言模型》的初稿。中文版书籍注重为大模型技术的入门读者提供讲解，力图展现一个整体的大模型技术框架和路线图。
英文综述链接： https://arxiv.org/abs/2303.18223 中文书项目链接：
https://llmbook-zh.github.io
作为《大语言模型》综述和书籍的配套资源，我们开发了一个代码工具库LLMBox，供研究人员使用。LLMBox代码库包含统一的训练流程和全面的模型评估框架，旨在成为训练和使用大语言模型的一站式解决方案。
https://github.com/RUCAIBox/LLMBox LLMBox内部集成了许多实用的功能，实现了训练和使用阶段高度的灵活性和效率。比如在训练阶段，我们支持预训练、指令微调、对齐微调等训练策略，高效数据处理策略和统一的数据集混合等功能；在使用阶段，我们有全面的评测模型和数据集支持、常见评测设置、高效评测等功能。在接下来的一段时间，我们还会发出十余期LLMBox的详细使用教程，涵盖从入门到进阶的大模型训练和使用方法，以帮助读者加深实践经验。
- 多种训练策略：支持预训练（PT）、指令微调（SFT）、对齐微调（PPO 和DPO）
- 全面的 SFT 数据集：支持 9 个 SFT 数据集
- 构建数据集：支持自定义多数据集混合、Self-Instruct 和 Evol-Instruct
- 高效训练：支持 FlashAttention 和 Deepspeed
- 上下文学习：支持 KATE、GlobalE 和 APE 等 ICL 策略
- 思维链：支持 base、least to most和 PAL 三种 CoT 策略
- 评估方法：支持针对多选题或生成题的四种常见评估方法
- 前缀缓存：通过缓存前缀的 past_key_value，可以将推理速度提高至多 6 倍
- 高效推理：支持 vLLM 和 FlashAttention 支持
- 量化：支持 bitsandbytes 和 GPTQ 量化
接下来的几期推送将先介绍评测和使用部分，从国内下载模型开始，到如何加速实验、量化推理，再到如何用LLMBox复现论文中常见的评测基线，包括CoT、ICL等策略。
然后是用LLMBox训练模型的部分，从训练模型前的高效训练配置、显存估计和词表扩充，到四种模型训练策略的详细使用指导（PT、SFT、PPO和DPO），其中还包括参数高效微调使用介绍，再到使用LLMBox进行大模型指令生成，包括Evol-instruct和Self-instruct两种策略。
如果在使用中遇到相应的问题或者不完善的功能，欢迎在GitHub Issue（https://github.com/RUCAIBox/LLMBox/issues）中反馈！ | 
