文章目录

1、引言2、Qwen 进化史2.1 Qwen系列2.1 Qwen1.5 系列2.2 Qwen2 系列

3、模型架构3.1 Qwen系列3.2 Qwen2系列

4、训练数据4.1 Qwen系列4.2 Qwen2系列

5、训练方法5.1 Qwen系列5.2 Qwen2系列

参考

1、引言

Qwen大语言模型是由阿里巴巴训练并开源的一系列大语言模型。最早是在2023年8月份开源70亿参数规模，随后几个月时间内陆续开源了4个不同规模版本的模型，最低参数18亿，最高参数720亿。而今天阿里巴巴开源了他们家第二代的Qwen系列大语言模型（准确说是1.5代），从官方给出的测评结果看，Qwen1.5系列大模型相比较第一代有非常明显的进步，其中720亿参数规模版本的Qwen1.5-72B-Chat在各项评测结果中都非常接近GPT-4的模型，在MT-Bench的得分中甚至超过了此前最为神秘但最接近GPT-4水平的Mistral-Medium模型。

2、Qwen 进化史

2.1 Qwen系列

Qwen系列大模型的参数规模为18亿（1.8B）、70亿（7B）、140亿（14B）和720亿（72B），包括基础模型Qwen，即Qwen-1.8B、Qwen-7B、Qwen-14B、Qwen-72B，以及对话模型Qwen-Chat，即Qwen-1.8B-Chat、Qwen-7B-Chat、Qwen-14B-Chat和Qwen-72B-Chat。基础模型已稳定训练大规模、高质量且多样化的数据，涵盖多语言（以中文和英文为主），总量达 3 万亿 token。Qwen 系列模型在基准评测中表现出色，超越同规模模型并紧追最强闭源模型。通过 SFT 和 RLHF 技术从基座模型训练得到 Qwen-Chat 对话模型，它具备多种能力，包括聊天、创作、摘要、信息抽取、翻译、代码生成、数学推理等，还针对 LLM 对接外部系统做了优化，具备较强工具调用能力。

Qwen系列模型的特点总结如下：

稳定训练大规模、高质量且多样化的数据，多语言数据总量达 3 万亿 token，以中文和英文为主；Qwen 系列模型在基准评测中表现有竞争力，超越同规模模型，接近最强闭源模型。通过 SFT 和 RLHF 技术从基座模型训练出 Qwen-Chat 对话模型。Qwen-Chat 具备聊天、文字创作、摘要、信息抽取、翻译、代码生成和简单数学推理的能力。针对 LLM 对接外部系统做了优化，具备较强的工具调用能力。

2.1 Qwen1.5 系列

Qwen1.5系列大模型包含6个不同参数规模的版本，分别是5亿、18亿、40亿、70亿、140亿和720亿。相比较第一代，增加了5亿规模版本和40亿参数规模版本。而这6个不同参数规模版本的模型，每一个都开源了基础预训练版本、聊天优化版本、Int4量化、Int8量化以及AWQ版本，所以相当于每一个参数规模的模型都有5个版本，因此一共发布了30个版本的模型！

Qwen1.5系列模型的特点总结如下：

有6个不同参数模型版本（0.5B, 1.8B, 4B, 7B, 14B 和 72B），最小的仅5亿参数，最大的有720亿参数；聊天优化版本的模型相比较第一代模型有明显的进步，其中720亿参数的Qwen1.5-72B在MT-Bench得分仅次于GPT-4；基座版本和聊天版本在多语言方面的能力得到增强，包括中英文在内，共支持12种语言（如日语、俄语、法语西班牙语等）；所有版本模型最高支持32K的长上下文输入；支持系统提示，可以完成Roleplay；生态完善，发布即支持vLLM、SGLang等推理加速框架；支持不同的量化框架；月活1亿以下直接商用授权，月活1亿以上商用需要获取授权；

2.2 Qwen2 系列

Qwen2系列大模型包含5个不同参数规模的版本，分别是5亿、15亿、70亿、570亿和720亿。相比较Qwen1.5，Qwen2所有尺寸的模型都使用了GQA，带来了推理加速和显存占用降低的明显优势。此外还针对性地优化了多语言场景中常见的语言转换（code switch）问题，模型当前发生语言转换的概率大幅度降低,Qwen2系列模型在此方面能力的显著提升。

Qwen2系列模型的特点总结如下：

规模多样化：提供 5 个尺寸的模型，满足不同场景和计算资源需求；语言能力广泛：增加 27 种语言数据，优化语言转换问题，降低语言转换概率，具备更强的多语言处理能力；性能卓越：在多个评测基准上领先，超越同类模型；代码和数学能力突出：能更好地处理编程和数学相关任务；上下文处理强大：增大上下文长度支持，最高达 128K tokens；

3、模型架构

3.1 Qwen系列

Qwen采用了改进版的Transformer架构，具体包括以下内容：

Embedding和输出投影：采用不绑定输入嵌入和输出投影权重的untied embedding approach，但会增加内存成本，以实现更好的性能。Positional embedding：选择RoPE（Rotary Positional Embedding）作为位置嵌入方式，其在当代大型语言模型中被广泛应用，如PaLM和LLaMA等。对于RoPE的逆频率矩阵，使用FP32精度而非BF16或FP16，以优先保证模型性能和准确性。Bias：遵循Chowdhery等人的做法，在大多数层中去除偏置，但在注意力的QKV层中添加偏置，以增强模型的外推能力。Pre - Norm & RMSNorm：采用Pre - Normalization作为最广泛使用的方法，同时用RMSNorm（Jiang等人，2023）替换传统的层归一化技术，在保持性能的同时提高效率。Activation function：选择SwiGLU（Shazeer，2020）作为激活函数，它是Swish（Ramachandran等人，2017）和Gated Linear Unit（Dauphin等人，2017）的组合。实验表明，基于GLU的激活函数通常比其他基线选项（如GeLU（Hendrycks & Gimpel，2016））表现更好。同时，将前馈网络（FFN）的维度从4倍隐藏大小减少到隐藏大小的8/3。

3.2 Qwen2系列

Qwen2基于Transformer架构，其模型架构包括以下内容：

密集语言模型（Qwen2 Dense Model）：

采用分组查询注意力（GQA）：替代传统的多头注意力（MHA），优化KV缓存使用，提高推理吞吐量。使用双块注意力（DCA）与YARN：扩展上下文窗口，有效捕获块内和块间令牌的相对位置信息，改善长上下文性能；采用YARN调整注意力权重，以更好地进行长度外推。其他特点：使用SwiGLU激活、Rotary Positional Embeddings进行位置嵌入、QKV bias用于注意力、RMSNorm和预归一化以提高训练稳定性。

混合专家（MoE）模型（Qwen2 Mixture - of - experts Model）：

架构特点：以Qwen1.5 - MoE - A2.7B的架构为基础，MoE FFN由多个专家组成，每个令牌根据门控网络G分配的概率被导向特定专家进行计算。关键设计考虑：

专家粒度：采用细粒度专家，创建更小规模的专家并同时激活更多专家，以提供更丰富的专家组合，增强模型的整体性能和适应性。专家路由：采用共享和路由特定专家相结合的方式，以更灵活和高效地开发MoE路由机制。专家初始化：类似于upcycling的方式，利用密集模型的权重初始化专家，并通过参数打乱和随机重新初始化来增强专家的多样性。

4、训练数据

4.1 Qwen系列

Qwen使用的训练数据具有以下特点：

数据规模大：使用了包含数万亿词条的数据集进行训练。数据多样性：数据来源广泛，包括公共网络文档、百科全书、书籍、代码等，且多语言，以英语和中文为主。数据质量高：

数据预处理：对公共网络数据进行提取文本、语言识别、去重（包括精确匹配去重和使用MinHash及LSH算法的模糊去重）、过滤低质量数据（结合规则和机器学习模型进行评分，手动采样审查）以及选择性上采样等处理。排除指令重叠数据：为保障基准评估的完整性，采用与Brown等人（2020）类似的方法，精心排除与测试集中数据存在13 - gram重叠的指令数据。 融入高质量指令数据：为增强模型的零-shot和少-shot性能，将高质量的指令数据融入预训练过程。

4.2 Qwen2系列

Qwen2的训练数据包括预训练数据和后训练数据，具体内容如下：

预训练数据：

数据特点：开发了新的大规模、高质量的多语言数据集，比之前Qwen和Qwen1.5模型使用的语料库在规模、质量和多样性上有所提升。质量提升：通过使用额外的启发式和基于模型的方法改进过滤算法，包括使用Qwen模型过滤低质量数据并合成高质量预训练数据。数据扩展：收集了比Qwen1.5更多的高质量代码、数学和多语言数据，支持约30种语言，如英语、中文、西班牙语、法语、德语、阿拉伯语、俄语、韩语、日语、泰语和越南语等。分布改善：对缩小规模的模型进行实验，以优化来自各种来源和领域的数据混合，确保模型学习到类似于人类学习的分布。数据规模：从Qwen1.5的3万亿令牌扩展到7万亿令牌，尝试使用12万亿令牌的数据集训练，但模型性能没有显著提升，最终选择使用7万亿令牌的数据集训练较大模型，Qwen2 - 0.5B则使用12万亿令牌的数据集进行预训练。多任务指令数据：与之前的Qwen模型类似，集成了高质量的多任务指令数据，以增强模型的上下文学习和指令跟随能力。 后训练数据：

数据组成：主要包括演示数据D = {(xi, yi)}和偏好数据P = {(xi, y + i, y - i)}，其中xi代表指令，yi代表满意的响应，y + i和y - i是对xi的两个响应，且y + i是更优的选择。数据获取步骤：

协作数据标注：

自动本体提取：使用InsTag从大规模指令数据集中提取潜在本体，并进行手动 refinement以确保准确性。指令选择：根据标签多样性、语义丰富度、复杂性和意图完整性等标准选择代表性指令。指令进化：使用自进化策略丰富指令数据集，增加其复杂性和难度级别。人类标注：使用多种生成策略和不同规模的Qwen模型获得对指令的多个响应，由标注者根据偏好进行排名，得到演示和偏好数据。 自动数据合成：

拒绝采样：对于有明确最终答案的数学或类似任务，应用拒绝采样来提高解决方案的质量，保留导致准确结论且模型认为合理的推理路径作为演示数据，通过对比正确和错误路径生成偏好数据。执行反馈：对于编码任务，使用LLM生成解决方案和相关测试用例，通过编译和执行测试用例来评估解决方案的有效性，从而创建演示和偏好数据，该方法也适用于评估指令跟随。数据复用：对于文学写作任务中创建熟练响应的挑战，聚合公共领域的高质量文学作品，并使用LLM开发具有不同细节级别的指令，将这些指令与原始作品配对作为演示数据。宪法反馈：编译宪法数据集，指导LLM根据预定义的原则生成响应，以确保符合安全和价值等准则，该数据集用于生成演示和偏好数据的参考。

5、训练方法

5.1 Qwen系列

Qwen的训练方法包括：

预训练：采用自回归语言建模任务，使用AdamW优化器，通过余弦学习率调度调整学习率，应用Flash Attention提高计算效率，采用BFloat16混合精度训练。监督微调（SFT）：使用标注的多种风格对话数据，采用next - token预测任务，使用AdamW优化器并设置相关超参数，对系统和用户输入应用损失掩码，限制序列长度和batch size，进行一定步数的训练。强化学习从人类反馈（RLHF）：包括奖励模型训练和强化学习，奖励模型先预训练再微调，RLHF过程涉及多个模型，设置相关参数进行优化。针对编码和数学的模型训练：

CODE - QWEN：代码预训练基于基础模型QWEN在代码数据上进行，使用AdamW优化器并设置相关参数；代码监督微调使用AdamW优化器对模型进行优化。MATH - QWEN：在数学教学数据集上进行数学SFT，使用AdamW优化器并设置相关参数。

5.2 Qwen2系列

Qwen2的训练方法包括预训练、监督微调（Supervised Fine - tuning）和强化学习从人类反馈（Reinforcement Learning from Human Feedback），具体如下：

预训练：

数据集改进：开发新的大规模、高质量多语言数据集，增强规模、质量和多样性，涵盖更多语言和领域，从3万亿令牌扩展到7万亿令牌（Qwen2 - 0.5B使用12万亿令牌数据集）。长上下文训练：在预训练结尾阶段，将上下文长度从4096令牌扩展到32768令牌，引入大量高质量长数据，并修改RoPE的基频从10000到1000000，采用YARN和Dual Chunk Attention机制，以优化长上下文场景的性能，使模型能处理长达131072令牌的序列，同时保持高性能。 监督微调：

数据集：组装了一个包含超过50万个示例的广泛指令数据集，涵盖指令跟随、编码、数学、逻辑推理、角色扮演、多语言和安全等技能。训练参数：模型微调两个周期，序列长度为32768令牌。学习率从7 × 10^ - 6逐渐降低到7 × 10^ - 7，应用0.1的权重衰减，梯度裁剪最大值为1.0。 强化学习从人类反馈：

训练阶段：包括离线和在线训练两个顺序阶段。离线训练：使用预编译的偏好数据集P，通过Direct Preference Optimization（DPO）最大化y + i和y - i之间的似然差异。在线训练：模型实时迭代优化性能，利用奖励模型进行即时反馈。具体来说，从当前策略模型采样多个响应，奖励模型选择最优和最不优的响应，形成偏好对用于每个 episode 的 DPO。此外，使用Online Merging Optimizer来减轻对齐税，即减轻模型生成与人类偏好对齐时的性能下降。

参考

[1] https://www.datalearner.com/blog/1051707149237037?q=qwen

[2] https://zhuanlan.zhihu.com/p/703883561

[3] https://arxiv.org/pdf/2309.16609

[4] https://arxiv.org/pdf/2407.10671