技术报告：Efficient and Effective Text Encoding for Chinese LLaMA AND Alpaca

Introduction

首先作者说了最近ChatGPT等模型在AGI领域表现出了很好的性能，但是收到算力、闭源的限制，阻碍了研究。

然后Meta与MIT分别开源了LLaMA、Alpaca，这让研究有了希望。

然后作者说这两个模型是基于英文预料训练的，词表中的中文只有几百个，中文性能不好，然后作者通过扩充词表等方法证明了LLaMA与Alpaca在其他语言可以有提高表现的可能性。

文章主要有以下贡献：

1. 为LLaMA、Alpaca的原始词表拓展了中文词表用20000个token。
2. 用Lora减少了算力消耗。
3. 验证 LLaMA、Alpaca在中文上面的表现。
4. 开源了研究与资源。

Chinese LLaMA

LLaMA是一个在1.4T左右token上预训练的模型，但是它的中文能力一塌糊涂（虽然llama支持回退中文字符，但是字节码不能很好的表示中文），为了解决这个问题，作者做了如下改进：

1. 为了增强tokenizer使它增强Chinese text，作者用Sentence Piece训练了一个新的中文tokenizer，与原始的词表合并。
2. 修改embedding去适配新的词表，新的向量为了不影响以前的token，添加在了以前的embedding matrices末尾。

初步实验展示，在表达更清楚的同时，所需要的token长度几乎少了一倍。

Chinese Alpaca

得到Chinese LLaMA后，采取指令微调的形式去获得Chinese Alpaca，其中属于格式如下：

与原始模型的不同是没有input（我觉得这样更符合中国方式的问答），如果下游数据input中含有数据，通过 \n合并instruction与input，其中\n被视为一个额外的 padding token。

Lora-Fine-tuning

这个阶段与以前并无二致，在LLaMA到Chinese-LLaMA，Alpaca到Chinese Alpaca阶段都是使用的这个技术。

实验

7B

pre- training

阶段1:我们在模型中固定transformer编码器的参数，并仅训练
Embedding，在最小化干扰的同时调整新添加的中文词向量
到原始模型。
阶段2:将LoRA权重(适配器)添加到注意力机制中，并训练ebeddings、LM头和新添加的LoRA参数。

Instruction-Tuning

指令微调在获得预训练模型后，我们还使用LoRA进行高效的微调，增加了可训练参数的数量 。
通过向MLP层添加LoRA适配器。我们使用大约2M数据点，并爬取了SFT数据以调整7B模型。

13B

Pre-Training

预训练13B模型的预训练过程与7B的基本相同模型，除了我们在预训练中跳过阶段1。我们直接把LoRA应用到 训练的注意事项和mlp，同时将嵌入和LM头设置为可训练的。

Instruct-Tuning

指令微调LoRA设置和可训练参数保持不变，训练的阶段。我们为13B模型使用额外的1M爬取的自指导数据点微调，导致13B模型的总数据大小为3M。

超参数：