这段时间，国产大模型DeepSeek、kimi、百川智能、豆包、阶跃星辰等集中发布了自家模型，年前最后一天，阿里千问终究也没hold住，也开源了百万Token上下文Qwen2.5-1M 模型及其对应的推理框架支持。

• 开源模型： 是 Qwen2.5-7B-Instruct-1M 和 Qwen2.5-14B-Instruct-1M，首次将开源 Qwen 模型的上下文扩展到 1M 长度。

• 推理框架： 完全开源了基于 vLLM 的推理框架，并集成了稀疏注意力方法，在处理 1M 长度输入时的速度能够提升 3倍到7倍。

• 技术报告：分享了 Qwen2.5-1M 系列背后的技术细节，包括训练和推理框架的设计思路以及消融实验的结果。

显存要求，对于处理 1M 长度的序列：

• Qwen2.5-7B-Instruct-1M：至少需要 120GB 显存（多 GPU 总和）。

• Qwen2.5-14B-Instruct-1M：至少需要 320GB 显存（多 GPU 总和）。

如果 GPU 显存不够，也可以使用 Qwen2.5-1M 进行较短任务的处理。

关键技术长上下文训练

长序列的训练需要大量的计算资源，因此采用了逐步扩展长度的方法，在多个阶段将 Qwen2.5-1M 的上下文长度从 4K 扩展到 256K：

• 从预训练的Qwen2.5的一个中间检查点开始，此时上下文长度为4K。

• 在预训练阶段，逐步将上下文长度从 4K 增加到 256K，同时使用Adjusted Base Frequency的方案，将 RoPE 基础频率从 10,000 提高到 10,000,000。

• 在监督微调阶段，分两个阶段进行以保持短序列上的性能：

• 第一阶段： 仅在短指令（最多 32K 长度）上进行微调，这里使用与 Qwen2.5 的 128K 版本相同的数据和步骤数，以获得类似的短任务性能。

• 第二阶段： 混合短指令（最多 32K）和长指令（最多 256K）进行训练，以实现在增强长任务的性能的同时，保持短任务上的准确率。

• 在强化学习阶段，在短文本（最多 8K 长度）上训练模型。即使在短文本上进行训练，也能很好地将人类偏好对齐性能泛化到长上下文任务中。

通过以上训练，最终获得了 256K 上下文长度的指令微调模型。

AI大模型学习路线

如果你对AI大模型入门感兴趣，那么你需要的话可以点击这里大模型重磅福利：入门进阶全套104G学习资源包免费分享！

扫描下方csdn官方合作二维码获取哦！

这是一份大模型从零基础到进阶的学习路线大纲全览，小伙伴们记得点个收藏！

第一阶段： 从大模型系统设计入手，讲解大模型的主要方法；

第二阶段： 在通过大模型提示词工程从Prompts角度入手更好发挥模型的作用；

第三阶段： 大模型平台应用开发借助阿里云PAI平台构建电商领域虚拟试衣系统；

第四阶段： 大模型知识库应用开发以LangChain框架为例，构建物流行业咨询智能问答系统；

第五阶段： 大模型微调开发借助以大健康、新零售、新媒体领域构建适合当前领域大模型；

第六阶段： 以SD多模态大模型为主，搭建了文生图小程序案例；

第七阶段： 以大模型平台应用与开发为主，通过星火大模型，文心大模型等成熟大模型构建大模型行业应用。

100套AI大模型商业化落地方案

大模型全套视频教程

200本大模型PDF书籍

👉学会后的收获：👈

• 基于大模型全栈工程实现（前端、后端、产品经理、设计、数据分析等），通过这门课可获得不同能力；

• 能够利用大模型解决相关实际项目需求： 大数据时代，越来越多的企业和机构需要处理海量数据，利用大模型技术可以更好地处理这些数据，提高数据分析和决策的准确性。因此，掌握大模型应用开发技能，可以让程序员更好地应对实际项目需求；

• 基于大模型和企业数据AI应用开发，实现大模型理论、掌握GPU算力、硬件、LangChain开发框架和项目实战技能， 学会Fine-tuning垂直训练大模型（数据准备、数据蒸馏、大模型部署）一站式掌握；

• 能够完成时下热门大模型垂直领域模型训练能力，提高程序员的编码能力： 大模型应用开发需要掌握机器学习算法、深度学习框架等技术，这些技术的掌握可以提高程序员的编码能力和分析能力，让程序员更加熟练地编写高质量的代码。

LLM面试题合集

大模型产品经理资源合集

大模型项目实战合集

👉获取方式：
😝有需要的小伙伴，可以保存图片到wx扫描二v码免费领取【保证100%免费】🆓