简介

本博客内容是《大语言模型》一书的读书笔记，该书是中国人民大学高瓴人工智能学院赵鑫教授团队出品，覆盖大语言模型训练与使用的全流程，从预训练到微调与对齐，从使用技术到评测应用，帮助学员全面掌握大语言模型的核心技术。并且，课程内容基于大量的代码实战与讲解，通过实际项目与案例，学员能将理论知识应用于真实场景，提升解决实际问题的能力。

本文主要记录datawhale的活动学习笔记，可点击活动连接

参考

参考
【大模型】GPT: Improving Language Understanding by Generative Pre-Training
AI 世界生存手册（二）：从LR到DeepSeek，模型慢慢变大了，也变强了

#41 AI-002-十分钟理解ChatGPT的技术逻辑及演进(前世、今生）

十分钟理解Transformer

1.3.1GPT 系列模型成体系推进

2017年，谷歌提出Transformer
2018年，OpenAI提出GPT（1亿+参数）
2019年，GPT-2（15亿参数）
2020年，GPT-3（1750亿参数）
2021年，CodeX（基于GPT-3，代码预训练）
2021年，WebGPT（搜索能力）
2022年2月，InstructGPT（人类对齐）
2022年11月，ChatGPT（对话能力）
2023年3月，GPT-4（推理能力、多模态能力）
2024年9月，o1（深度思考能力提升）
2025年1月，o3（深度思考能力进一步增强）
GPT系列模型从18年开始系统迭代，对于大模型发展起到了深远影响

GPT从开始至今，其发展历程如下：

2017年6月，Google发布论文《Attention is all you need》，首次提出Transformer模型，成为GPT发展的基础。 论文地址： https://arxiv.org/abs/1706.03762
2018年6月,OpenAI 发布论文《Improving Language Understanding by Generative Pre-Training》(通过生成式预训练提升语言理解能力)，首次提出GPT模型(Generative Pre-Training)。论文地址： paperswithcode.com/method/gpt 。
2019年2月，OpenAI 发布论文《Language Models are Unsupervised Multitask Learners》（语言模型应该是一个无监督多任务学习者），提出GPT-2模型。论文地址: paperswithcode.com/method/gpt-…
2020年5月，OpenAI 发布论文《Language Models are Few-Shot Learners》(语言模型应该是一个少量样本(few-shot)学习者，提出GPT-3模型。论文地址： https://paperswithcode.com/method/gpt-2
2022年2月底，OpenAI 发布论文《Training language models to follow instructions with human feedback》（使用人类反馈指令流来训练语言模型），公布 Instruction GPT模型。论文地址： https://arxiv.org/abs/2203.02155
2022年11月30日，OpenAI推出ChatGPT模型，并提供试用，全网火爆。见：AI-001-火爆全网的聊天机器人ChatGPT能做什么

GPT 系列模型发展历程

➢ 小模型：GPT-1，GPT-2
➢ 大模型：GPT-3，CodeX，GPT-3.5，GPT-4
➢ 推理大模型：o-series

GPT-1（1.1亿参数）

当时NLP的问题

此时训练一个 NLP 模型和我们之前做的推荐类似，针对某个任务，首先搞一些样本，然后对模型进行有监督训练。问题出在题面上。
1.样本怎么来，大量的高质量的标注不太容易获得。
2.模型训练的任务是固定的，很难学到泛化能力，没法复用到做其他任务。
这样训练出来的模型被困在了一个特定的领域，离我们想要的 AGI（人工通用智能）有点远。

GPT-1采用的架构

➢ Decode-only Transformer架构
➢ 预训练后针对特定任务微调
entailment术语翻译为“蕴涵”
1.用了4.6GB的BookCorpus数据集（该数据集主要是小说，openai 为了验证技术可行性，特意选了未出版的 7000 本书），无监督训练一个预训练模型，即generative pre-training，GPT 名字的由来。
2.对于子任务，用有标签的小的数据集训练一个微调模型，discriminative fine-tuning。
微调方式具体来说，可见上图右图部分。
对于每个任务，输入会被构造成一个连续的 token 序列。分类任务，会将输入文本拼接成一个序列，并在开头添加一个特殊token-start，在结尾增加 extract然后经过模型+线性层后输出结果，对于相似度的文本比较有趣，比如看 A 和 B 是否相似，那么就组成个序列分别为 AB 和 BA，其输入模型后，最终通过softmax 判断，是否相似，是个二分类问题。第四个问答其实是一个多分类问题。
这四个任务有一个共性，就是我们只需要对输入做定制化，输出做一些定制，但是中间的 transformer 模型不会去动它。
左图：GPT是一个transformer decoder-only的结构， MHA +add&norm 的 Block 其用了 12 层，参数量 0.11B，对，此时它还很小。另外输入的token 用了word2vec做了 embedding 表征。

GPT-2 （15亿参数）

➢ 将任务形式统一为单词预测
➢ Pr (output | input, task)
➢ 预训练与下游任务一致
➢ 使用提示进行无监督任务求解
➢ 初步尝试了规模扩展

GPT-3(1750亿参数)

➢ 模型规模达到1750亿参数
➢ 涌现出上下文学习能力

CodeX

➢ 代码数据训练
➢ 推理与代码合成能力

WebGPT

➢ 大语言模型使用浏览器

WebGPT: Browser-assisted question-answering with human feedback, Arxiv 2021

InstructGPT

➢ 大语言模型与人类价值观对齐
➢ 提出RLHF算法

Training language models to follow instructions with human feedback, NIPS 2022

1)、对GPT-3进行fine-tuning(监督微调)。
2)、再训练一个Reward Model(奖励模型，RM)
3)、最后通过增强学习优化SFT


值得注意的是，第2步、第3步是完全可以迭代、循环多次进行的。

Instruction GPT的训练规模

基础数据规模同GPT-3 ，只是在其基础上增加了3个步骤（监督微调SFT、奖励模型训练Reward Model，增强学习优化RPO)。
下图中labeler是指OpenAI雇佣或有相关关系的标注人员(labler)。
而customer则是指GPT-3 API的调用用户（即其他一些机器学习研究者、程序员等）。
本次ChatGPT上线后据说有百万以上的用户，我们每个人都是其customer，所以可以预见，未来GPT-4发布时，其customer规模至少是百万起。

ChatGPT

➢ 基于 InstructGPT 相似技术开发，面向对话进行优化

ChatGPT和InstructionGPT本质上是同一代际的，仅仅是在InstructionGPT的基础上，增加了Chat功能，同时开放到公众测试训练，以便产生更多有效标注数据。

GPT-4

➢ 推理能力显著提升，建立可预测的训练框架
➢ 可支持多模态信息的大语言模型

GPT-4 Technical Report, Arxiv 2023

GPT-4o

➢ 原生多模态模型，综合模态能力显著提升
➢ 支持统一处理和输出文本、音频、图片、视频信息

o系列模型

➢ 推理任务上能力大幅提升
➢ 长思维链推理能力

o-series

➢ 类似人类的“慢思考”过程

1.3.2DeepSeek 系列模型的技术演变

DeepSeek系列模型发展历程
➢ 训练框架：HAI-LLM
➢ 语言大模型：DeepSeek LLM/V2/V3、Coder/Coder-V2、Math
➢ 多模态大模型：DeepSeek-VL
➢ 推理大模型：DeepSeek-R1

DeepSeek 实现了较好的训练框架与数据准备

➢ 训练框架 HAI-LLM（发布于2023年6月）
➢ 大规模深度学习训练框架，支持多种并行策略
➢ 三代主力模型均基于该框架训练完成
➢ 数据采集
➢ V1和Math的报告表明清洗了大规模的Common Crawl，具备超大规模数据处理能力
➢ Coder的技术报告表明收集了大量的代码数据
➢ Math的技术报告表明清洗收集了大量的数学数据
➢ VL的技术报告表明清洗收集了大量多模态、图片数据

DeepSeek 进行了重要的网络架构、训练算法、性能优化探索

➢ V1 探索了scaling law分析（考虑了数据质量影响），用于预估超参数性能
➢ V2 提出了MLA高效注意力机制，提升推理性能
➢ V2、V3都针对MoE架构提出了相关稳定性训练策略
➢ V3 使用了MTP（多token预测）训练
➢ Math 提出了PPO的改进算法 GRPO
➢ V3详细介绍Infrastructure的搭建方法，并提出了高效 FP8 训练方法

DeepSeek-V3

➢ 671B参数（37B激活），14.8T训练数据
➢ 基于V2的MoE架构，引入了MTP和新的复杂均衡损失
➢ 对于训练效率进行了极致优化，共使用 2.788M H800 GPU时

DeepSeek-R1

DeepSeek-V3和DeepSeek-R1均达到了同期闭源模型的最好效果

➢ 开源模型实现了重要突破

为什么 DeepSeek 会引起世界关注

➢ 打破了OpenAI 闭源产品的领先时效性
➢ 国内追赶GPT-4的时间很长，然而复现o1模型的时间大大缩短
➢ 达到了与OpenAI现有API性能可比的水平

Large Language Model, 2025 (Book under progress)

为什么 DeepSeek 会引起世界关注

➢ 中国具备实现世界最前沿大模型的核心技术
➢ 模型开源、技术开放

参考:【大模型】GPT: Improving Language Understanding by Generative Pre-Training
AI 世界生存手册（二）：从LR到DeepSeek，模型慢慢变大了，也变强了