language:

• en tags:
• pytorch
• causal-lm
• pythia license: apache-2.0 datasets:
• EleutherAI/pile

Pythia可扩展模型套件是为促进可解释性研究而开发的模型集合(详见论文)。该套件包含两组共八个模型，规模分别为7000万、1.6亿、4.1亿、10亿、14亿、28亿、69亿和120亿参数。每个规模包含两个模型：一个在原始Pile数据集上训练，另一个在全局去重后的Pile数据集上训练。所有8个规模模型均采用完全相同的训练数据和顺序。我们还提供了每个模型的154个中间检查点，以分支形式托管在Hugging Face平台。

Pythia模型套件专为促进大语言模型科学研究而设计，尤其侧重可解释性研究。尽管未将下游性能作为核心设计目标，但我们发现这些模型达到或超越了同规模模型的性能表现，如OPT和GPT-Neo系列模型。

Pythia-120亿参数模型

模型详情

• 开发机构: EleutherAI
• 模型类型: 基于Transformer的语言模型
• 语言: 英语
• 了解更多: 访问Pythia GitHub仓库获取训练流程、配置文件和使用指南。评估细节和实现方案请参阅论文。
• 底层框架: GPT-NeoX
• 许可协议: Apache 2.0
• 联系方式: 咨询模型相关问题请加入EleutherAI Discord的#release-discussion频道。提问前请先阅读现有文档。常规联系请邮件至contact@eleuther.ai。

用途与限制

预期用途

Pythia主要面向大语言模型行为、功能及局限性的科学研究。该套件旨在为科学实验提供受控环境。我们为每个模型提供154个检查点：初始step0、10个对数间隔检查点step{1,2,4...512}，以及从step1000到step143000的143个均匀间隔检查点。这些检查点以分支形式托管于Hugging Face。注意143000分支对应各模型main分支的最终检查点。

您可根据Apache 2.0许可协议对Pythia-120亿进行微调与部署。Pythia模型兼容Hugging FaceTransformers库。若基于预训练模型进行微调，请自行开展风险与偏见评估。

非适用场景

Pythia套件不适用于生产部署。其本身并非产品，不可用于人机交互场景。例如，模型可能生成有害或冒犯性文本。请根据具体用例评估风险。

Pythia模型仅支持英语，不适用于翻译或其他语言文本生成。

Pythia-120亿未针对常见下游场景（如文体写作、商业聊天机器人）进行微调，因此其响应方式不同于ChatGPT等产品。后者采用人类反馈强化学习(RLHF)等方法来更好地遵循人类指令。

局限与偏见

大语言模型的核心功能是预测文本序列的下一个标记，该预测不一定产生最"准确"的文本。切勿依赖Pythia-120亿生成事实准确的输出。

本模型训练数据the Pile包含亵渎及低俗内容。参见Pile论文第6节关于性别、宗教和种族偏见的讨论。即使提示词不含冒犯内容，Pythia-120亿仍可能生成不符合社会规范的文本。

若通过托管API使用生成文本，建议人工审核后再向他人展示。请告知受众文本由Pythia-120亿生成。

快速开始

以下代码演示如何加载使用Pythia模型（以pythia-70m-deduped的第三个检查点为例）：

from transformers import GPTNeoXForCausalLM, AutoTokenizer

model = GPTNeoXForCausalLM.from_pretrained(
  "EleutherAI/pythia-70m-deduped",
  revision="step3000",
  cache_dir="./pythia-70m-deduped/step3000",
)

tokenizer = AutoTokenizer.from_pretrained(
  "EleutherAI/pythia-70m-deduped",
  revision="step3000",
  cache_dir="./pythia-70m-deduped/step3000",
)

inputs = tokenizer("Hello, I am", return_tensors="pt")
tokens = model.generate(**inputs)
tokenizer.decode(tokens[0])

step143000分支对应各模型main分支的最终检查点。
更多使用指南请参见GitHub文档。

训练过程

训练数据

The Pile是825GB规模的通用英语数据集，专为训练大语言模型构建。包含22个来源的文本数据，分为五类：学术文献（如arXiv）、互联网内容（如CommonCrawl）、散文（如古登堡计划）、对话（如YouTube字幕）及其他（如GitHub、安然邮件）。数据构成、方法论及伦理讨论详见Pile论文。更多细节请查阅数据表。数据集可从官网或社区镜像获取。
训练Pythia-120亿时未对Pile进行去重处理。

训练方法

所有模型采用完全相同的训练数据和顺序。每个模型训练时处理了299,892,736,000个标记，保存143个检查点（从step1000到step143000，每2,097,152,000标记保存一次）。此外还提供早期密集检查点：step0和step{1,2,4...512}。这相当于在原始Pile上训练约1个epoch，在去重Pile上约1.5个epoch。

所有Pythia模型以200万标记的批大小训练143,000步。
训练流程详情见GitHub，包括复现方法。
Pythia使用与GPT-NeoX-200亿相同的分词器。

评估结果

16个Pythia模型均通过LM评估工具包进行评估。结果文件存放于GitHub仓库的results/json/*路径下。
点击下方区域查看Pythia与Pythia-deduped模型对比OPT、BLOOM的评估结果图表。

LAMBADA – OpenAI

物理交互问答(PIQA)

WinoGrande

AI2推理挑战赛-简单集

SciQ

版本变更

本节比较Pythia v0与当前版本的差异。变更原因详见Pythia论文附录B。重训练未影响基准测试表现。

• 所有模型现采用统一的200万标记批大小（原160M/410M/1.4B模型为400万）
• 新增初始检查点(step0)及step{1,2,4,8,16,32,64,128,256,512}检查点
• 新版本采用Flash Attention技术
• 修正学习率衰减策略不一致问题：原2.8B及以下模型学习率衰减至初始值10%，而6.9B/12B模型衰减至0。新版本统一调整为衰减至初始值10%

命名规范与参数统计

2023年1月Pythia模型采用新命名规范（可能仍有文档误用旧名称）。当前命名基于参数总量。