高效训练领域大语言模型的“前预训练”框架

通用大语言模型（Large Language Models，LLMs）通常需要通过进一步的预训练，以深入掌握特定领域的专业知识。为提升领域大语言模型的预训练效率，并在一定程度上降低对训练数据和资源的依赖，本文提出了一种名为PreparedLLM的“前预训练”框架。该框架旨在优化预训练过程，助力领域模型更高效地获取专业知识。

前排提示，文末有大模型AGI-CSDN独家资料包哦！

01

研究背景

通用大语言模型（LLM）在特定领域任务中的表现受限于领域数据的稀缺性、领域语义的差异性以及领域知识的复杂性。为弥补这一不足，现有方法通常通过领域数据进行继续预训练（Continual Pretraining），以掌握该领域的专业知识并通过对齐（Alignment）提升其解决领域任务的能力。然而，继续预训练往往需要大量的训练数据和资源。在“前预训练”（Pre-pretraining，即继续预训练之前）阶段对LLM进行精细优化，不仅能够提升其训练效率，还能显著增强大语言模型的性能表现。同时，这种优化策略有助于减少对训练数据和资源的需求。

图1. 训练领域LLM的三个阶段：前预训练（得到精细优化的基座模型）、预训练（得到具备领域知识的基座模型）、对齐（得到具备解决领域任务能力的指令模型）

02

研究方法

PreparedLLM框架包括四个关键模块：数据菜谱、数据清洗、词表扩充和嵌入初始化，旨在优化领域LLM的预训练过程。

· 数据菜谱： 构建了一个多样化且大规模的预训练语料库，确保训练广泛覆盖领域内的专业知识。

· 数据清洗： 设计了精细的数据清洗流程，结合fastText、KenLM等工具快速过滤低质量数据，并通过启发式方法和正则表达式去除非法信息和隐私信息，在字符、单词、段落和文档四个层次进行数据去重，从而为LLM提供高质量的训练数据。

· 词表扩充： 采用SentencePiece在大规模地球科学语料库上训练领域词表；人工筛选高质量词表，构造了通用词表。这些词表有助于提升LLM的训练速度与推理速度。

· 嵌入初始化： 提出基于语义和噪声叠加的嵌入初始化策略，以加快LLM的收敛速度。

图2. PreparedLLM的四个模块：数据菜谱、数据清洗、词表扩充、嵌入初始化

03

研究结果

本文以地球科学领域为例，使用PreparedLLM框架对Llama-7b进行继续预训练，构建了地球科学领域大语言模型Prepared-Llama。通过OpenCompass评测框架，将Prepared-Llama与同样基于Llama-7b的地球科学大语言模型K2（其base版本，即GeoLLaMA）及原始Llama-7b进行对比。结果表明，在使用了更少训练数据量的情况下，Prepared-Llama在地球科学领域任务和通用任务中的表现非常出色（如表1和表2所示）。

表1. LLMs在地球科学任务上的表现

表2. LLMs在通用任务上的表现

为了进一步验证PreparedLLM框架中各模块对LLM性能的贡献，本文开展了消融实验，使用约10%的预训练数据进行训练。实验结果显示，数据清洗和嵌入初始化加速了模型训练过程中交叉熵损失的下降，提升了模型的收敛速度（如图3所示）。此外，词表扩充提高了模型的编解码效率，有助于提升模型的训练速度和推理速度（如表3所示）。

图3. 数据清洗和嵌入初始化对LLM收敛速度的影响

表3. PreparedLLM词表与基线模型词表性能对比

此外，本文展示了PreparedLLM优化后的Prepared-Llama在预训练过程中的性能变化趋势。由图4可见，随着训练的进行，Prepared-Llama在地球科学领域和通用评测基准上的得分持续上升，表明PreparedLLM框架在提升领域LLM训练效率和性能方面的有效性和潜力。

图4. Prepared-Llama预训练过程中的性能变化

04

研究结论

本文提出的PreparedLLM框架在“前预训练”阶段通过精细优化模型的训练过程，不仅减少了训练数据和资源需求，还显著提升了领域LLM的收敛速度、训练效率、推理速度及在领域任务和通用任务中的整体表现。PreparedLLM框架展现出作为训练领域LLM基础框架的潜力，为构建高性能的领域大语言模型提供了新的解决方案。

读者福利：如果大家对大模型感兴趣，这套大模型学习资料一定对你有用

对于0基础小白入门：

如果你是零基础小白，想快速入门大模型是可以考虑的。

一方面是学习时间相对较短，学习内容更全面更集中。
二方面是可以根据这些资料规划好学习计划和方向。

包括：大模型学习线路汇总、学习阶段，大模型实战案例，大模型学习视频，人工智能、机器学习、大模型书籍PDF。带你从零基础系统性的学好大模型！