Steel-LLM是一个从零开始预训练中文大模型的项目。我们的目标是使用1T+的数据预训练一个1B左右参数量的中文LLM，对标TinyLlama。项目持续更新，维持3个月+。我们会分享数据收集、数据处理、预训练框架选择、模型设计等全过程，并开源全部代码。让每个人在有8~几十张卡的情况下都能复现我们的工作。
可以将想训练进模型的数据在问卷中填写。文本不长可以直接粘贴进问卷，如果文本较长请尽量存在txt中并上传。PDF等不好处理的文件将会在项目后期再进行处理并训练。问卷链接：https://d8g1a0vwre.feishu.cn/share/base/form/shrcnASVyyN0ccXxPMOSrMVlzfb
（上传的数据内容请遵守各项法规）
[2024/5/21] 模型开启正式训练，2个epoch需训练50天，后续不定期放出checkpoint，训练进度。
[2024/5/19] 基于Qwen1.5完成模型修改，模型大小1.12B：
- FFN层使用softmax moe，相同参数量下有更高的训练速度
- 使用双层的SwiGLU
相关博客内容撰写中。。。
[2024/5/5] 预训练程序修改相关的博客：https://zhuanlan.zhihu.com/p/694223107
[2024/4/24] 完成训练程序改进：兼容Hugginface格式模型、支持数据断点续训、支持追加新的数据
[2024/4/14] 完成数据收集与处理，生成预训练程序所需要的bin文件。更新数据收集与处理相关的博客：https://zhuanlan.zhihu.com/p/687338497
zhanshijin的知乎：https://www.zhihu.com/people/zhan-shi-jin-27
lishu14的知乎：https://www.zhihu.com/people/a-xun-58-5
使用的数据集和链接如下所示，更详细的介绍请看此篇文章
- Skywork/Skypile-150B数据集
- wanjuan1.0(nlp部分)
- 中文维基过滤数据
- 百度百科数据
- 百度百科问答数据
- 知乎问答数据
- BELLE对话数据
- moss项目对话数据
- firefly1.1M
- starcoder
- 源数据：针对三类数据进行格式统一的转化处理。
- 简单文本：百度百科（title和各段落需要手动合并）、中文维基
- 对话（含单轮与多轮）：百度百科问答数据、BELLE对话数据（BELLE_3_5M）、moss项目对话数据、知乎问答数据
- 任务：BELLE任务数据（BELLE_2_5M)、firefly1.1M
- 代码数据：starcode
- 目标格式：
{"text": "asdfasdf..."}，文件保存为.jsonl类型。 - 运行方式：
python data/pretrain_data_prepare/step1_data_process.py
我们使用data-juicer处理文本时，不改变数据格式。
-
运行方式：
sh data/pretrain_data_prepare/step2/run_step2.sh -
选用的文本处理算子
| 算子 | 描述 |
|---|---|
| chinese_convert_mapper | 用于在繁体中文、简体中文和日文汉字之间进行转换（借助 opencc） |
| clean_email_mapper | 删除邮箱信息 |
| clean_html_mapper | 删除 HTML 标签并返回所有节点的纯文本 |
| clean_ip_mapper | 删除 IP 地址 |
| clean_links_mapper | 删除链接，例如以 http 或 ftp 开头的 |
| clean_copyright_mapper | 删除代码文件开头的版权声明 (:warning: 必须包含单词 copyright) |
| expand_macro_mapper | 扩展通常在 TeX 文档顶部定义的宏 |
| fix_unicode_mapper | 修复损坏的 Unicode（借助 ftfy） |
| punctuation_normalization_mapper | 将各种 Unicode 标点符号标准化为其 ASCII 等效项 |
| remove_repeat_sentences_mapper | 删除样本中的重复句子 |
| remove_specific_chars_mapper | 删除样本中的特殊字符（用户自定义） |
| whitespace_normalization_mapper | 将各类空格归一转换为英语空格 |
| alphanumeric_filter | 保留字母数字比例在指定范围内的样本 |
| average_line_length_filter | 保留平均行长度在指定范围内的样本 |
| character_repetition_filter | 保留 char-level n-gram 重复比率在指定范围内的样本 |
| maximum_line_length_filter | 保留最大行长度在指定范围内的样本 |
| perplexity_filter | 保留困惑度低于指定阈值的样本 |
| special_characters_filter | 保留 special-char 比率的在指定范围内的样本 |
| text_length_filter | 保留总文本长度在指定范围内的样本 |
| word_repetition_filter | 保留 word-level n-gram 重复比率在指定范围内的样本 |
| document_simhash_deduplicator | 使用 SimHash 在文档级别对样本去重 |
- 选用的代码处理算子
| 算子 | 描述 |
|---|---|
| clean_copyright_mapper | 删除代码文件开头的版权声明 (:warning: 必须包含单词 copyright) |
| clean_email_mapper | 删除邮箱信息 |
| clean_links_mapper | 删除链接，例如以 http 或 ftp 开头的 |
| fix_unicode_mapper | 修复损坏的 Unicode（借助 ftfy） |
| punctuation_normalization_mapper | 将各种 Unicode 标点符号标准化为其 ASCII 等效项 |
| alphanumeric_filter | 保留字母数字比例在指定范围内的样本 |
| average_line_length_filter | 保留平均行长度在指定范围内的样本 |
| character_repetition_filter | 保留 char-level n-gram 重复比率在指定范围内的样本 |
| maximum_line_length_filter | 保留最大行长度在指定范围内的样本 |
| text_length_filter | 保留总文本长度在指定范围内的样本 |
| word_num_filter | 保留字数在指定范围内的样本 |
| word_repetition_filter | 保留 word-level n-gram 重复比率在指定范围内的样本 |
| document_simhash_deduplicator | 使用 SimHash 在文档级别对样本去重 |
需要先在代码中修改filename_sets，指定数据路径：
python pretrain_modify_from_TinyLlama/scripts/prepare_steel_llm_data.py
输入数据格式为：包含'text'字段的jsonl文件
不单独训练tokenizer，使用Qwen/Qwen1.5-MoE-A2.7B-Chat的tokenizer
基于Qwen1.5模型，进行了如下改动：
- FFN层使用softmax moe，相同参数量下有更高的训练速度
- 使用双层的SwiGLU
基于TinyLlama预训练程序进行如下改进：
- 兼容HuggingFace格式的模型
- 加载checkpoint时，完全恢复数据训练的进度
- 数据一致性检测
- 在不影响已训练数据的情况下，在数据集中追加新的数据
GPU：8* A100 80G 硬盘：4TB
欢迎加入交流群,如二维码过期可添加微信：a1843450905
