智源研究院与国内多所高校及南洋理工联合团队花费10万美元训练出的大模型FLM，拥有1010亿参数量，目前已经开源。

得益于研究团队的新型训练策略，FLM只用了2.17%的花销（10万美元），达到可以比肩GPT-3的效果。

 

那么，FLM团队是如何把训练成本降低近50倍的呢？

“成长策略”降低训练成本

不管是租还是买，硬件的价格都摆在那动不了，所以只能是通过减少运算量来降低成本。

为了降低训练过程中的运算量，研究团队在FLM中采用了一种“成长策略”。

也就是先训练16B参数的小规模模型，然后扩大到51B，最终再扩展到101B版本。

由于训练低参数量模型的运算效率更高，这种循序渐进的训练方式成本要低于一步登天。

看到这里也许有的读者会有疑问，其他模型不是也有分成多个参数量的版本吗？

是没错，但是这些参数量不同的同种模型是分别进行训练的，这造成了大量的重复计算，因而成本并不低。

而FLM采用的“成长策略”在训练大规模版本时会直接继承低参数量模型中已有的知识，降低了重复运算率。

而具体参数的确定，应用了loss prediction技术，即根据低参数模型的训练损失预测出高参数量模型的损失。

除了这种“由小及大”的“成长策略”之外，FLM的训练过程中还通过改善并行策略来提高吞吐量。

FLM使用的是混合并行策略，将多种并行方式进行最优化配置，达到高吞吐量，单GPU利用率超过了50%。

团队还利用序列并行和分布式优化器技术，将输入序列和优化器状态分配到不同GPU，减轻了单个GPU的计算和内存压力。

那么，这种“成长策略”训练出的FLM表现又如何呢？作者给出了Open LLM数据集的测试结果。

FLM在四个项目中取得的平均成绩接近GLM-130B和LLAMA-7B，但训练成本显著低于二者。

而在其中的TruthfulQA单项中，FLM的成绩甚至超过了Llama 2。

专业知识方面，16B参数的eFLM在C-eval评测中，平均成绩超过了130B参数的GLM，并接近ChatGPT。

除了这些一般的benchmark，FLM团队还提出了一项大模型“IQ测试”。

给大模型“测智商”

FLM团队提出的大模型“智商测试”重点考察模型的推理泛化能力，而非知识储备。

这项测试从如下四个维度进行了展开：

  • 符号映射：使用随机符号替换分类标签，评估模型推理和泛化能力，避免过度拟合。

  • 规则理解：检验模型能否按照给定规则进行操作，如“计数”、“字符串替换”等。

  • 模式挖掘：给出示例，让模型归纳推导出规律并应用，如“头尾添加”等。

  • 抗干扰能力：在噪声环境中提取关键信息，包括多关键信息提取、单论据追踪和双论据追踪三项内容。

其中第一、三、四项的示例如下图所示：

那么，FLM面对自家提出的测评标准，成绩到底怎么样呢？

符号映射测评中，FLM以低一个数量级的运算量在SuperGLUE数据集上取得了与GLM和GPT-3相近的成绩，在CLUE数据集上的表现更是超过了GLM。

其余三个项目的成绩也都超过了GLM，并接近GPT-3。