# Firefly中文Llama2增量预训练数据

<img src="pics/firefly_logo.png" width="250">

欢迎加入Firefly大模型技术交流群，关注我们的公众号。

<img src="pics/gongzhonghao.png" width="300">

## 数据简介
技术文章：[QLoRA增量预训练与指令微调，及汉化Llama2的实践](https://mp.weixin.qq.com/s/26-Qxma9M2wGoTQgOlKRmQ)

该数据应为[Firefly-LLaMA2-Chinese项目](https://github.com/yangjianxin1/Firefly-LLaMA2-Chinese)的增量预训练数据，一共约22GB文本，主要包含CLUE、ThucNews、CNews、COIG、维基百科等开源数据集，以及我们收集的古诗词、散文、文言文等，数据分布如下图。

<img src="pics/pretrain-data.png" width="450">


## 模型列表 & 数据列表
我们开源了7B和13B的Base与Chat模型。Base模型是基于LLaMA2扩充中文词表后增量预训练得到的模型，Chat模型是在Base模型的基础上进行多轮对话指令微调。

为了探究基座模型对指令微调的影响，我们也微调了baichuan2-base模型，获得firefly-baichuan2-13b，具有不错的效果。更多中文微调，可查看[Firefly项目](https://github.com/yangjianxin1/Firefly)。

| 模型                                                                                            | 类型   | 训练任务   | 训练长度 |
|-----------------------------------------------------------------------------------------------|------|--------|------|
| 🤗[Firefly-LLaMA2-7B-Base](https://huggingface.co./YeungNLP/firefly-llama2-7b-base)            | 基座模型 | CLM    | 1024 |
| 🤗[Firefly-LLaMA2-13B-Base](https://huggingface.co./YeungNLP/firefly-llama2-13b-base)          | 基座模型 | CLM    | 1024 |
| 🤗[Firefly-LLaMA2-7B-Chat](https://huggingface.co./YeungNLP/firefly-llama2-7b-chat)            | 指令模型 | 多轮指令微调 | 1024 |
| 🤗[Firefly-LLaMA2-13B-Chat](https://huggingface.co./YeungNLP/firefly-llama2-13b-chat)          | 指令模型 | 多轮指令微调 | 1024 |
| 🤗[Firefly-Baichuan2-13B](https://huggingface.co./YeungNLP/firefly-baichuan2-13b) | 指令模型 | 多轮指令微调 | 1024 |
| 🤗[Firefly-LLaMA2-7B-Chat-QLoRA](https://huggingface.co./YeungNLP/firefly-llama2-7b-chat-qlora) | 指令模型 | 多轮指令微调 | 1024 |
| 🤗[Firefly-LLaMA2-13B-Chat-QLoRA](https://huggingface.co./YeungNLP/firefly-llama2-13b-chat-qlora) | 指令模型 | 多轮指令微调 | 1024 |


## 模型评测
我们在CMMLU和Open LLM Leaderboard上分别对模型的中文和英文能力进行了客观评测，并且在我们构建的人工评测集上进行了人工评测。
**Open LLM Leaderboard和CMMLU榜单倾向于评测大模型的做题能力，不够全面，所以我们进一步进行了人工评测。**

### Open LLM Leaderboard

| 模型                          | Average   | ARC   | HellaSwag | MMLU  | TruthfulQA |
|-----------------------------|-----------|-------|-----------|-------|------------|
| chinese-alpaca-2-13b        | 60.94     | 58.7  | 79.74     | 55.1  | 50.22      |
| openbuddy-llama2-13b-v8.1   | 60.47     | 55.97 | 79.79     | 54.95 | 51.16      |
| flagalpha-llama2-13b-chat   | 60.41     | 55.97 | 82.05     | 54.74 | 48.9       |
| llama-2-13b-chat            | 59.93     | 59.04 | 81.94     | 54.64 | 44.12      |
| vicuna-13b-v1.1 | 59.22     | 52.73      |  80.13    |   51.94    |    52.08        |
| guanaco-13b | 59.18     |   57.85    |  83.84    |   48.28    |    46.73        |
| **firefly-llama2-13b-chat** | **59.05** |  57.51     |  77.94    |   52.56    |   48.18         |
| llama-2-7b-chat             | 56.34     | 52.9  | 78.55     | 48.32 | 45.57      |
| flagalpha-llama2-7b-chat    | 56.13     |   52.39    |    77.52       |  47.72     |    46.87        |
| yayi-7b-llama2              | 54.45     | 55.03 | 77.84     | 40.92 | 44.02      |
| chinese-alpaca-2-7b         | 54.33     | 49.57 | 72.62     | 46.5  | 48.63      |
| **firefly-llama2-7b-chat**  | **54.19** | 51.19 | 73.32     | 45.47 | 46.78      |
| yayi-13b-llama2             | 51.06     | 48.55 | 74.82     | 38.68 | 42.19      |
| linly-llama2-7b             | 49.06     |  48.04     |     73.25      |   35.04    |     39.92       |
| linly-llama2-13b            | 38.22     | 33.62 | 39.59     | 33.97 | 45.71      |
| ziya-llama-13b*             | -         | -     | 76.9      | 50.3  | -          |

*表示分数来源于OpenCompass官方，而非Open LLM Leaderboard官方数据

Conclusion：我们的模型保留了llama2模型优秀的英文能力，在Open LLM Leaderboard上，与llama2-chat、vicuna-v1.1、guanaco等模型的表现及其接近。



### CMMLU榜单

| 模型                          | CMMLU     | 训练细节                   |
|-----------------------------|-----------|------------------------|
| **firefly-baichuan2-13b**   | **56.83** | 4\*V100，QLoRA，指令微调     |
| chinese-alpaca-2-13b        | 45.17     | 48\*A40，LoRA，词表扩充 + 增量预训练 + 指令微调 |
| openbuddy-llama2-13b-v8.1   | 41.66     | 全量参数训练，词表扩充 + 指令微调     |
| chinese-alpaca-2-7b         | 40.86     | 48\*A40，LoRA，词表扩充 + 增量预训练 + 指令微调 |
| ziya-llama-13b*             | 39.9      | 160\*A100，全量参数训练，词表扩充 + 增量预训练 + 指令微调 + RLHF |
| chinese-alpaca-plus-13b*    | 39.9      | 48\*A40，LoRA，词表扩充 + 增量预训练 + 指令微调 |
| **firefly-llama2-13b-chat** | **39.47** | 4\*V100，QLoRA，词表扩充 + 增量预训练 + 指令微调 |
| flagalpha-llama2-13b-chat   | 39.20     | LoRA，指令微调              |
| llama-2-13b-chat            | 38.65     | 全量参数训练，预训练 + 指令微调 + RLHF(全流程为英文) |
| **firefly-llama2-7b-chat**  | **34.03** | 4\*V100，QLoRA，词表扩充 + 增量预训练 + 指令微调 |
| llama-2-7b-chat             | 33.76     | 全量参数训练，预训练 + 指令微调 + RLHF(全流程为英文) |
| flagalpha-llama2-7b-chat    | 32.61     | LoRA，指令微调              |
| chinese-alpaca-plus-7b*     | 32.6      | 48\*A40，LoRA，词表扩充 + 增量预训练 + 指令微调 |
| yayi-13b-llama2             | 30.73     | 指令微调                   |
| yayi-7b-llama2              | 30.47     | 指令微调                   |
| linly-llama2-7b             | 28.68     | 32\*A100，全量参数训练，词表扩充 + 混合训练 |
| linly-llama2-13b            | 26.32     | 32\*A100，全量参数训练，词表扩充 + 混合训练 |

我们统一采用OpenCompass工具来离线评测CMMLU，其中*表示结果来源于OpenCompass官方榜单或者由模型作者自测的分数。

Conclusions:
- 与llama-2-chat相比，我们的模型在中文方面的能力具有一定的提升。
- 对于中文词表扩充模型而言，我们的模型大幅领先全量训练的linly，与全量训练的ziya、chinese-alpaca-1及其接近。
- firefly-baichuan2-13b一骑绝尘，并且在OpenCompass的CMMLU榜单，该分数可排第8，小幅落后于百川官方模型，进一步验证了基座模型的重要性。
- 我们的模型在CMMLU上的指标与chinese-alpaca-2也存在一定的差距。这一现象很大程度与增量预训练数据量和数据分布相关，我们的增量预训练数据仅为22GB(未充分使用，详情见训练细节)，增量预训练不够充分，且大部分为新闻语料，对于CMMLU能力的提升有限。

### 人工评测

我们构建了评测集，其中包含13种评测任务，评测数据详见data/firefly-eval.xlsx。大部分数据从[Belle数据](https://huggingface.co./datasets/BELLE-2/train_3.5M_CN_With_Category)中进行采样和优化。
每种任务包含10条数据，一共130条数据。13种任务包含：头脑风暴、分类、Close QA、代码生成、
信息抽取、开放式生成、有害性检验、数学题、阅读理解、Open QA、Rewrite、Summarization、翻译。

评测标准如下：
- 对于同一道题目，对两两模型的生成结果进行比较，存在胜负平三种关系。
- 对于客观题，如果两个模型均回答正确，或均回答错误，则为平局。
- 对于主观题，回答更加详细、真实、细节更丰富，则为获胜。当两者内容正确，并且详细程度非常接近时，或者各有千秋时，可视为平局。
- 对于中文题目，如果目标回复为中文，但模型却回复英文，则判为错误。

详细的评测结果可参考：[人工评测结果](https://docs.qq.com/sheet/DU1h1bE1xWG50ZVlI?tab=BB08J2)。在评测中，我们遵守设定的评测标准，但依旧难以完全避免主观因素的影响，
本着公开透明的原则，我们公开了评测细节，大家可比较模型效果。


同为基于LLaMA2进行汉化的模型，我们对Firefly-LLaMA2-13B-Chat和Linly-LLaMA2-13B进行了人工测评，从评测结果来看，我们的模型存在非常大的优势。
并且我们与Llama2-Chat-13B也进行了人工评测，也存在非常大的优势。

| 模型                                          | 获胜   | 平局         | 失败       |
|---------------------------------------------|------|------------|----------|
| Firefly-LLaMA2-13B-Chat VS Linly-LLaMA2-13B | **43(33.08%)** | 79(60.77%) | 8(6.15%) |
| Firefly-LLaMA2-13B-Chat VS Llama2-Chat-13B  | **86(66.15%)** | 40(30.77%) | 4(3.08%) |