作者 | 邓咏仪
编辑 | 苏建勋
36氪获悉，6月15日，百川智能公司正式推出中英文预训练大模型——baichuan-7B，参数量为70亿。
百川智能是搜狗创始人王小川于2023年4月成立的新AI公司，36氪此前也曾做报道。baichuan-7B则是新公司成立两月后发布的第一个大模型。
据百川智能，为了验证模型的各项能力，baichuan-7B在C-Eval、AGIEval和Gaokao三个权威中文评估测试中进行了综合评估，均获得了优异成绩，其测试结果位于国内中文大模型的前列。
在MMLU英文权威评测榜单上，baichuan-7B也超过了Meta旗下的LLaMA-7B。MMLU是由加州大学伯克利分校等知名高校共同打造，集合了科学、工程、数学、人文、社会科学等领域的57个科目，主要目标是对模型的英文跨学科专业能力进行深入测试。其内容广泛，从初级水平一直涵盖到高级专业水平。
在中文C-EVAL评测中，baichuan-7B的综合评分达到了42.8分，超过了ChatGLM-6B的38.9分
来源：百川智能
C-Eval评测基准则是由上海交通大学、清华大学以及爱丁堡大学联合创建，是面向中文语言模型的综合考试评测集，覆盖了52个来自不同行业领域的学科。 在中文C-EVAL评测中，baichuan-7B的综合评分达到了42.8分，
而AGIEval评测基准则是由微软研究院发起，意在全面评估基础模型在人类认知和问题解决相关任务上的能力，包含了中国的高考、司法考试，以及美国的SAT、LSAT、GRE和GMAT等20个公开且严谨的官方入学和职业资格考试。在AGIEval的评测里，baichuan-7B综合评分达到34.4分，超过LLaMa-7B、Falcon-7B、Bloom-7B以及ChatGLM-6B等其他开源模型。
目前，baichuan-7B已经在Hugging Face、Github以及Model Scope平台发布。
本次发布也遵循开源精神，baichuan-7B代码采用Apache-2.0协议，模型权重采用了免费商用协议，只需进行简单登记即可免费商用。
开源内容包含推理代码、INT4量化实现、微调代码，以及预训练模型的权重。其中，微调代码方便用户对模型进行调整和优化；推理代码与INT4量化实现则有助于开发者低成本地进行模型的部署和应用。在预训练模型权重开源后，用户则可以直接使用预训练模型进行各种实验研究。
在成立短短两月后即发布了第一个开源大模型，百川智能是如何做到的？
训练语料对大模型的训练结果至关重要。百川智能表示，在构建预训练语料库方面，百川智能以高质量中文语料为基础，同时融合了优质的英文数据。
而在数据质量上，通过质量模型对数据进行打分，对原始数据集进行篇章级和句子级的精确筛选，对数据进行了多层次多粒度的聚类，最终构建了包含1.2万亿token的兼顾质量和多样性的预训练数据。
这样的结果是，相较于其他同参数规模的开源中文预训练模型，数据量提高了超过50%。
训练又是另一个重要的工程壁垒。baichuan-7B整合了模型算子来加快计算流程，并针对任务负载和集群配置，自适应优化了模型并行策略以及重计算策略。通过高效的训练过程调度通信，baichuan-7B成功地实现了计算与通信高效重叠，进而加速了训练小懒虫，在千卡集群上训练的吞吐速度达到180+Tflops——这也相较业界平均水平要高。
本次百川开源的的预训练模型也将开源模型窗口进行扩展，开放了4K的上下文窗口。当前，已有的开源模型窗口长度在2K以内——对一些长文本建模任务，以往模型的处理效果可能会有所制约。在需要引入外部知识做搜索增强的场景，延展到4K后，模型在训练与推理阶段就能捕获越多的上下文信息，从而让模型的应用场景更广泛。
而对于大模型的“幻觉”问题，baichuan-7B也对模型训练流程进行深度优化，在这一问题上有所改善。据百川智能团队介绍，训练中，百川采用了更稳定的训练流程和超参数选择，使baichuan-7B模型的收敛速度大大提升。和同等参数规模的模型相比，baichuan-7B在困惑度（PPL）和训练损失（training loss）等关键性能指标上表现更加优秀。
本次开源后，百川智能团队与北京大学与清华大学两家进行落地合作，两家高校未来也将和百川智能进行共创。
附项目开源地址：
Hugging Face：https://huggingface.co/baichuan-inc/baichuan-7B
Github：https://github.com/baichuan-inc/baichuan-7B
Model Scope：https://modelscope.cn/models/baichuan-inc/baichuan-7B/summary
