19、DeepSeek LLM论文笔记

论文：DeepSeek LLM
• 标题：DeepSeek LLM: Scaling Open-Source Language Models with Longtermism
• 时间：2024年1月
• 链接：arXiv:2401.02954
• 突破：首次提出分组查询注意力（GQA）降低推理成本，并优化多步学习率调度器提升训练效率，奠定了后续模型的高效训练基础。

1. 引言

• 背景：大型语言模型（LLM）基于解码器Transformer架构，通过自监督预训练和后续对齐技术（如SFT、RLHF）提升性能。闭源模型（如ChatGPT、Claude）推动了社区对开源模型的期待，而LLaMA系列成为开源模型基准。
• 目标：研究扩展法则（Scaling Laws），优化模型与数据规模的分配策略，构建高性能开源LLM，推动AGI发展。
  

2、架构

参数	层数（𝑛layers）	模型维度（𝑑model）	头数（𝑛heads）	键值头数（𝑛kv_heads）	上下文长度（Context Length）	序列批量大小（Sequence Batch Size）	学习率（Learning Rate）	标记（Tokens）
7B	30	4096	32	32	4096	2304	4.2e - 4	2.0T
67B	95	8192	64	8	4096	4608	3.2e - 4	2.0T

表2 | DeepSeek LLM模型家族详细规格。我们根据第3节的研究结果选择超参数。

DeepSeek LLM的微观设计在很大程度上遵循LLaMA（Touvron等人，2023a,b）的设计，采用带有RMSNorm（Zhang和Sennrich，2019）函数的Pre - Norm结构，并使用SwiGLU（Shazeer，2020）作为前馈网络（FFN）的激活函数，中间层维度为 $\frac{8}{3}{d}_{model}$。它还整合了旋转嵌入（Su等人，2024）用于位置编码。为了优化推理成本，67B模型使用分组查询注意力（GQA）（Ainslie等人，2023）代替传统的多头注意力（MHA）。

然而，在宏观设计方面，DeepSeek LLM略有不同。具体来说，DeepSeek LLM 7B是一个30层的网络，而DeepSeek LLM 67B有95层。这些层的调整，在与其他开源模型保持参数一致性的同时，也便于模型管道划分，以优化训练和推理。

与大多数使用分组查询注意力（GQA）的工作不同，我们在网络深度上扩展67B模型的参数，而不是像常见做法那样拓宽FFN层的中间宽度，旨在获得更好的性能。详细的网络规格见表2。

3、多步学习率调度器

• 多步学习率调度器
  
  在预训练期间使用多步学习率调度器，而不是典型的余弦调度器。具体来说，模型的学习率在 2000 个预热步骤后达到最大值，然后在处理 80% 的训练 token 后下降到最大值的 31.6%。在 90% 的代币之后，它进一步减少到最大值的 10%。训练阶段的梯度裁剪设置为 1.0。
  趋势，使用多步学习率调度器的最终性能与余弦调度器的最终性能基本一致，如图 1（a） 所示。在保持模型大小固定的情况下调整训练规模时，多步学习率调度器允许重复使用第一阶段的训练，为持续训练提供独特的便利。因此，我们选择了多步学习率调度器作为默认设置。我们还在图 1（b） 中演示了调整多步学习率调度器中不同阶段的比例可以产生稍微更好的性能。然而，为了平衡持续训练中的重用率和模型性能，我们选择了上述三个阶段的 80%、10% 和 10% 的分布。

多步学习率调度器的原理是在模型训练过程中，根据预设的阶段节点（如处理一定比例的训练数据或达到特定训练步数），分阶段降低学习率，以平衡训练初期的快速收敛与后期的精细调整，避免过拟合，同时提升训练效率与模型性能。

以文中 DeepSeek LLM 预训练为例：

• 模型先通过 2000 个 warmup 步骤，使学习率达到最大值（设为 ${\eta }_{\text{max}}$）。
• 当处理完 80% 的训练 tokens（如总训练量为 $2.0T$，则处理 $1.6T$ 后），学习率下降至 ${\eta }_{\text{max}}$ 的 $31.6\%$，即 $0.316{\eta }_{\text{max}}$。
• 当处理完 90% 的 tokens（即 $1.8T$ 后），学习率进一步降至 ${\eta }_{\text{max}}$ 的 $10\%$，即 $0.1{\eta }_{\text{max}}$。

这种分阶段调整学习率的方式，既允许训练初期模型快速更新参数、捕捉数据特征，又能在后期降低学习率，使参数更新更精细，防止模型在后期训练中因学习率过大而跳过最优解。此外，如文中所述，多步学习率调度器在调整训练规模时，还支持重用第一阶段的训练成果，为持续训练提供了便利，在保证模型性能的同时，提升了训练效率与灵活性。

• warmup（预热）
  在深度学习中，warmup（预热）步骤是训练初期通过逐步增加学习率来稳定模型训练过程的策略，避免因初始学习率过大导致模型训练不稳定或发散。其核心步骤如下：

  1. 确定初始学习率
     设定一个相对较小的初始学习率（通常是全局目标学习率的一小部分）。例如，若目标学习率为 $0.01$，初始学习率可能设为 $0.001$，让模型在训练初期以较小幅度更新参数，适应数据分布。

  2. 设定warmup周期
     选择一个适当的周期，可用训练轮数（epoch）或批次（batch）数量表示。如设定 $5$ 个epoch或 $1000$ 个batch作为warmup阶段，确保模型有足够时间“热身”。

  3. 线性增加学习率
     在warmup阶段内，逐步线性增加学习率，直至达到预设的目标学习率。公式为：
     $$lr(t)=l{r}_{\text{initial}}+\frac{t}{T}\times (l{r}_{\text{target}}-l{r}_{\text{initial}})$$
     其中 $t$ 是当前训练步数，$T$ 是warmup总步数，$l{r}_{\text{initial}}$ 是初始学习率，$l{r}_{\text{target}}$ 是目标学习率。例如，warmup共 $1000$ 步，初始学习率 $0.001$，目标学习率 $0.01$，则第 $500$ 步时学习率为 $0.001+\frac{500}{1000}\times (0.01-0.001)=0.0055$。

  4. 动态调整学习率（warmup结束后）
     warmup结束后，可采用其他学习率调度策略（如余弦退火、阶梯衰减等）继续调整学习率。

4、缩放定律

1.超参数的缩放定律

图 3 |批量大小和学习率的缩放曲线。灰色圆圈表示泛化误差超过最小值不超过 0.25% 的模型。虚线表示适合较小模型的幂律。蓝色星号代表 DeepSeek LLM 7B 和 67B。

考虑到参数空间的冗余，我们将泛化误差超过最小值不超过 0.25% 的模型使用的参数视为近最优超参数。然后，我们根据计算预算 c 拟合了批量大小 B 和学习率 n 。如图 3 所示的拟合结果显示，最佳批量大小 B 随着计算预算 c 的增加而逐渐增加，而最佳学习率 η 逐渐降低。这与放大模型时批量大小和学习率的直观经验设置一致。此外，所有近最优超参数都位于宽频带范围内，这表明在此区间内选择近最优参数相对容易。我们拟合的 batch size 和 learning rate 的最终公式如下：
$$\begin{array}{rl}& {\eta }_{opt}=0.3118\cdot C^{-0.1250}\\ & B_{opt}=0.2920\cdot C^{0.3271}\end{array}$$

我们将泛化误差超过最小值不超过 0.25% 的模型使用的参数视为近最优超参数。

注意：此处计算误差时，“超过最小值不超过0.25%” 指的是 绝对误差不超过最小值的0.25%，即：
$$\text{允许误差}=\text{最小误差}\times (1+0.25\%)$$
若最小误差为 $E_{\text{min}}$，则合格误差范围为 $[E_{\text{min}},E_{\text{min}}\times 1.0025]$。

实际意义

• 参数空间冗余：在大规模训练中，不同超参数组合可能达到相近的泛化性能（如 $B=256,\eta =0.0001$ 和 $B=512,\eta =0.0001$），无需追求唯一最优解。
• 计算效率：筛选近似最优参数可大幅减少搜索成本，尤其在计算预算有限时（如 $C=10^{17}\to 2\times 10^{19}$），避免穷举所有可能的参数组合。

举例：

• 1. 实验设置
  • 计算预算：固定为 $C=10^{18}$
  • 超参数范围：
    • 批量大小 $B$：[128, 256, 512, 1024, 2048]
    • 学习率 $\eta$：[0.001, 0.0005, 0.0001, 0.00005]
• 2. 泛化误差结果

  批量大小 $B$	学习率 $\eta$	测试集损失（泛化误差）
  128	0.001	0.350（最小值）
  128	0.0005	0.352（+0.57%）
  256	0.0005	0.351（+0.28%）
  256	0.0001	0.350（最小值）
  512	0.0001	0.350（最小值）
  1024	0.00005	0.353（+0.86%）

• 3. 筛选近似最优超参数
  • 理论最小误差：0.350（由3组参数组合达到）
  • 允许误差范围：最小值的 $0.25\%$ 以内，即 $0.350\times (1+0.25\%)=0.350875$
  • 符合条件的参数：
    • $(B=128,\eta =0.001)$：误差0.350（等于最小值，最优）
    • $(B=256,\eta =0.0005)$：误差0.351（0.351 ≤ 0.350875？ 不，0.351 - 0.350 = 0.001，即0.28% > 0.25%，不符合）
    • $(B=256,\eta =0.0001)$：误差0.350（符合）
    • $(B=512,\eta =0.0001)$：误差0.350（符合）

2. 估计最优模型和数据缩放

非嵌入参数 $N_1$：仅包含 非嵌入层的模型参数，即排除词嵌入（Token Embedding）层的参数，主要计算 Transformer 核心层（如注意力层、前馈网络）的参数。

完整参数 $N_2$：包含 所有模型参数，包括词嵌入层和核心层参数，即模型的总参数数量。

DeepSeek 的改进：非嵌入 FLOPs/代币 $M$

• 定义：纳入 注意力机制和前馈网络的计算，排除词嵌入和词汇表计算，公式为：
  $$M=72\cdot n_{\text{layer}}\cdot d_{\text{model}}^2+12\cdot n_{\text{layer}}\cdot d_{\text{model}}\cdot l_{\text{seq}}$$
  其中 $l_{\text{seq}}$ 为序列长度（如 4096），显式包含注意力计算（与序列长度相关）。
  
  图 4 |IsoFLOP 曲线和最优模型/数据分配。IsoFLOP 曲线中的指标是验证集上的每字节位数。最优模型/数据缩放曲线中的虚线表示适合较小模型的幂律（灰色圆圈）。
  图 4 演示了 IsoFLOP 曲线和模型 / 数据缩放曲线，它们是通过使用每个计算预算的最佳模型 / 数据分配进行拟合的。最优非嵌入 FLOPs/token $M_{opt}$ 和最优 tokens $D_{opt}$ 的具体公式如下：
  $$\begin{array}{lll}{M}_{opt}=M_{base}\cdot C^a,& M_{base}=0.1715,& a=0.5243\\ D_{opt}=D_{base}\cdot C^b,& D_{base}=5.8316,& b=0.4757\end{array}$$

5、GQA分组查询注意力

与大多数使用分组查询注意力（GQA）的工作不同，我们在网络深度上扩展67B模型的参数，而不是像常见做法那样拓宽FFN层的中间宽度，旨在获得更好的性能。详细的网络规格见表2。

参考： 论文DeepSeek-V2
我们用我们提出的多头潜在注意力 （MLA） 和 DeepSeekMoE 优化了 Transformer 框架（Vaswani et al.， 2017）中的注意力模块和前馈网络 （FFN）。（1） 在注意力机制的背景下，多头注意力 （MHA） 的键值 （KV） 缓存（Vaswani et al.， 2017）对 LLM 的推理效率构成了重大障碍。已经探索了各种方法来解决这个问题，包括分组查询注意力 （GQA） （Ainslie et al.， 2023） 和多查询注意力 （MQA） （Shazeer， 2019）。但是，这些方法在尝试减少 KV 缓存时通常会牺牲性能。为了实现两全其美的效果，我们引入了 MLA，这是一种配备了低秩键值联合压缩的注意力机制。从经验上讲，MLA 实现了优于 MHA 的性能，同时显著降低了推理过程中的 KV 缓存，从而提高了推理效率。（2） 对于前馈网络 （FFN），我们遵循 DeepSeekMoE 架构 （Dai et al.， 2024），该架构采用细粒度的专家分割和共享的专家隔离，以提高专家专业化的潜力。与 GShard 等传统 MoE 架构相比，DeepSeekMoE 架构表现出巨大的优势（Lepikhin et al.， 2021），使我们能够以经济的成本训练强大的模型。由于我们在训练期间采用专家并行性，因此我们还设计了补充机制来控制通信开销并确保负载平衡。通过结合这两种技术，DeepSeek-V2 同时具有强大的性能（图 1（a））、经济的训练成本和高效的推理吞吐量（图 1（b））。

汇总

deepseek

DeepSeek LLM 技术文档总结

1. 引言

• 背景：大型语言模型（LLM）基于解码器Transformer架构，通过自监督预训练和后续对齐技术（如SFT、RLHF）提升性能。闭源模型（如ChatGPT、Claude）推动了社区对开源模型的期待，而LLaMA系列成为开源模型基准。
• 目标：研究扩展法则（Scaling Laws），优化模型与数据规模的分配策略，构建高性能开源LLM，推动AGI发展。

2. 预训练

• 数据：
  • 包含2万亿中英文令牌，采用去重、过滤、混合三阶段处理。
  • 去重策略覆盖91个Common Crawl转储，去重率达89.8%（表1）。
  • 分词器采用BBPE，词汇量100,015，支持中英混合语料。
• 架构：
  • 基于LLaMA，采用RMSNorm、SwiGLU激活函数和旋转位置编码。
  • 67B模型使用分组查询注意力（GQA），通过增加网络深度（95层）而非宽度优化性能（表2）。
• 超参数：
  • 使用AdamW优化器（β1=0.9，β2=0.95），多步学习率调度器（峰值后分阶段降至10%）。
  • 批量大小和学习率随模型规模调整（如7B模型学习率4.2e-4，67B模型3.2e-4）。
• 基础设施：
  • 采用HAI-LLM框架，集成数据并行、张量并行、流水线并行，结合Flash Attention和ZeRO-1优化内存与计算效率。

3. 扩展法则

• 核心发现：
  • 超参数扩展规律：批量大小和学率与计算预算（C）呈幂律关系（图2-3）。
  • 模型与数据分配：引入非嵌入FLOPs/令牌（M）替代参数数量（N），提出最优分配公式：
    $$M_{\text{opt}}\propto C^{0.524},D_{\text{opt}}\propto C^{0.476}$$
• 数据质量影响：高质量数据（如OpenWebText2）更倾向于扩展模型规模（表4）。
• 验证：小规模实验可预测大模型性能（图5），7B和67B模型表现符合预期。

4. 对齐（Alignment）

• 监督微调（SFT）：
  • 数据：150万中英文指令数据（46.6%数学，22.2%代码）。
  • 策略：7B模型分两阶段（全数据微调 + 去除数学/代码数据），减少重复响应（表12）。
• 直接偏好优化（DPO）：
  • 偏好数据覆盖帮助性和安全性，进一步提升开放域生成能力（表7, 8）。
  • DPO后模型在MT-Bench评分达8.76，接近GPT-4（表8）。

5. 评估

• 公开基准测试：
  • 基础模型：DeepSeek 67B在代码（HumanEval 42.7%）、数学（GSM8K 63.4%）和中文任务（C-Eval 66.1%）显著优于LLaMA-2 70B（表5）。
  • 聊天模型：经SFT和DPO后，67B模型在中文AlignBench总分6.69，超越GPT-3.5（表7）。
• 开放域评估：
  • 中文AlignBench（GPT-4评分）显示模型在推理、语言任务中表现优异（表7）。
  • 英文MT-Bench多轮对话评分8.76，接近GPT-4（表8）。
• 安全评估：
  • 通过2,400项人工构建的安全测试（覆盖歧视、侵权、非法行为等类别），安全回答率超97%（表10-11）。

6. 局限与未来工作

• 局限：知识更新滞后、中文数据覆盖不足、幻觉问题。
• 未来方向：
  • 发布代码智能和MoE技术报告。
  • 构建更大规模数据集，强化数学、代码能力。
  • 探索强化学习提升复杂推理能力。

附录亮点

• 数据质量影响：不同数据集下扩展策略差异显著（表4）。
• 分阶段微调：两阶段微调平衡性能与重复率（表12）。
• 安全分类体系：覆盖民族歧视、知识产权、违法违规等10类安全风险（表10）。

DeepSeek LLM通过系统性扩展法则研究和高效训练框架，构建了高性能开源模型，为AGI发展提供了重要参考。

豆包

一、研究背景与目标

1. 行业现状

   • 闭源模型（如ChatGPT、Claude）推动技术进步，开源模型（如LLaMA系列）成为基准，但现有缩放定律（如Chinchilla、GPT-3）结论不一致，缺乏对超参数和数据质量的深入分析。
   • 开源社区聚焦固定规模模型（7B、70B），忽视缩放规律研究，而该研究对AGI发展至关重要。

2. 核心目标

   • 探索语言模型缩放定律，优化模型/数据资源分配策略。
   • 构建高性能开源模型（DeepSeek LLM 7B/67B），覆盖中英文，提升代码、数学、推理能力。

二、预训练技术细节

1. 数据处理

   • 规模与构成：2万亿代币，中英文为主，涵盖Common Crawl、学术、代码等领域。
   • 处理流程：
     • 去重：跨91个Common Crawl转储，去重率达89.8%，减少冗余。
     • 过滤：基于语言和语义评估，提升数据质量。
     • 重组：平衡数据分布，增加代码、数学等领域占比。
   • 分词器：BBPE算法，100015个常规代币+15个特殊代币，词汇表大小102400。

2. 模型架构

   • 基础设计：类LLaMA架构，Pre-Norm层、RMSNorm归一化、SwiGLU激活函数，旋转位置编码（Rotary Embedding）。
   • 差异化设计：
     • 7B模型：30层，多头注意力（MHA），序列长度4096。
     • 67B模型：95层，分组查询注意力（GQA），减少推理成本，参数集中在深度而非宽度。

3. 超参数与训练

   • 优化器：AdamW（β1=0.9，β2=0.95，权重衰减0.1），多步学习率调度器（分三阶段衰减），优于余弦调度器。
   • 批量大小：7B为2304，67B为4608，随模型规模增加而增大。
   • 基础设施：HAI-LLM框架，支持数据/张量/流水线并行，FlashAttention优化显存，ZeRO-1分片优化器状态。

三、缩放定律核心发现

1. 超参数缩放规律

   • 批量大小（B）与计算预算（C）呈幂律关系：B=0.2920·C^{0.3271**，学习率（η）负相关：**η=0.3118·C}-0.1250。
   • 最优参数范围较宽，允许灵活调整以平衡性能和效率。

2. 模型与数据最优分配

   • 提出**非嵌入FLOPs/代币（M）**替代传统参数表示，更准确计算计算预算（C=M·D），减少小模型估算误差（最高50%降低至10%以内）。
   • 最优缩放指数：模型缩放a=0.5243，数据缩放b=0.4757，高质量数据（如OpenWebText2）需更多预算分配给模型（a提升至0.578）。

四、对齐与微调策略

1. 监督微调（SFT）

   • 数据：150万指令实例，70%为数学/代码任务，30%为通用语言任务。
   • 策略：
     • 7B模型：4轮微调，两阶段法（先全数据后去数学/代码），重复率从2.0%降至1.4%。
     • 67B模型：2轮微调，避免过拟合，直接优化对话逻辑。

2. 直接偏好优化（DPO）

   • 构建中英文偏好数据，优化对话流畅度和安全性，对基准测试影响小（如MMLU仅下降0.2%），但开放生成能力显著提升。

五、评估结果

1. 基准测试对比（关键指标）

   任务/模型	DeepSeek 67B Base	LLaMA-2 70B	优势点
   MATH（4-shot）	18.7%	13.5%	数学推理
   HumanEval（0-shot）	42.7%	28.7%	代码生成
   CMMLU（5-shot）	70.8%	53.1%	中文多任务

   • 对话模型（67B Chat）：GSM8K（84.1% vs LLaMA-2 70B的58.4%），MBPP（57.4% vs 45.6%），超越GPT-3.5在中英文开放域任务。

2. 开放域与安全性评估

   • 中文：AlignBench总分6.69，基础语言任务（7.60）和推理任务（5.77）领先，DPO后进一步提升。
   • 英文：MT-Bench得分8.35（接近GPT-3.5的8.39），DPO后达8.76，仅次GPT-4。
   • 安全性：2400+测试案例，安全回答率超95%，Do-Not-Answer得分97.8，高于ChatGPT（97.7）和GPT-4（96.5）。

六、结论与未来方向

1. 核心贡献

   • 校准缩放定律，提出M指标优化资源分配，验证数据质量对缩放策略的影响。
   • 开源高性能模型，推动中英文大模型研究，代码/数学能力达SOTA。

2. 局限与计划

   • 局限：知识截止至2023年5月，多语言能力较弱，复杂逻辑推理待提升。
   • 未来：发布代码智能和MoE技术报告，构建更大数据集（目标提升数学/代码能力），探索强化学习对齐。

关键问题

1. DeepSeek LLM在缩放定律上的核心创新是什么？

答案：提出以**非嵌入FLOPs/代币（M）**替代传统模型参数表示，更准确计算计算预算（C=M·D），解决了小模型估算误差问题（误差从50%降至10%以内）。同时发现数据质量影响最优分配策略，高质量数据需更多预算分配给模型缩放（如OpenWebText2的模型缩放指数a=0.578，高于低质量数据的a=0.45）。

2. DeepSeek如何处理预训练数据以提升模型性能？

答案：采用三步数据处理法：

• 去重：跨91个Common Crawl转储，去重率达89.8%，减少冗余数据干扰；
• 过滤：通过语言和语义评估，剔除低质量文档，提升信息密度；
• 重组：平衡数据分布，增加代码、数学等领域占比，构建多样化语料。
  此外，使用BBPE分词器，将数字拆分为单个字符，优化中英文处理能力。

3. DeepSeek 67B模型在哪些关键任务上超越了LLaMA-2 70B？

答案：

• 代码生成：HumanEval（42.7% vs 28.7%）、MBPP（57.4% vs 45.6%），支持Python等多语言代码补全；
• 数学推理：MATH（18.7% vs 13.5%）、GSM8K（63.4% vs 58.4%），擅长代数和逻辑问题；
• 中文任务：CMMLU（70.8% vs 53.1%）、CHID（92.1% vs 55.5%），在中文理解和文化任务上优势显著。