最近，Latent Space发布的播客节目中请来了Meta的人工智能科学家Thomas Scialom。他在节目中揭秘了Llama 3.1的一些研发思路，并透露了后续Llama 4的更新方向。
刚刚发布的开源「巨无霸」Llama 3.1虽然自带论文，但依旧激起了广大网友强烈的好奇心和求知欲。
Llama 3.1都使用了哪些数据？其中有多少合成数据？为什么不使用MoE架构？
后训练与RLHF流程是如何进行的？模型评估是如何进行的？
我们什么时候可以见到Llama 4？Meta是否会发展agent？
恰逢Llama 3.1版本刚刚发布，Meta科学家在播客节目Latent Space中露面，秉持着开源分享的理念，对以上问题都进行了详细解答。
受访者Thomas Scialom目前担任Meta的人工智能研究科学家，负责主导了Llama 2和Llama 3的后续训练工作，并参与了CodeLlama、Toolformer、Bloom、GAIA等多个项目。
Llama 3.1研发思路
如何决定参数规模
其实LLM的参数规模的选择需要考虑多种因素，包括scaling law、训练时间、GPU和硬件的约束等等。
而且，不能只考虑Meta所用的硬件，还有整个人工智能社区，并非所有人都在使用H100，还有许多其他不同的GPU型号和显存大小。
再加上，目前广泛应用于推理阶段的量化技术，比如可以用FP16或FP8精度，这会改变推理和训练/微调成本的比重。
以上这些限制因素，都让模型规模的选择成为一个极具挑战性的问题。
总体而言，专注于目前已有的算力，在Scaling Law和训练token总量的限制内，我们进行了一些权衡，找到了一个具有合适推理效率的平衡点。
之所以做到四百零五B这么大规模，其实原因很简单——我们想做出最好的模型，一个真正与GPT-四比肩的开源模型。（现在是GPT-四o了）虽然目前还没有完全达到目标，但差距正在逐渐缩小。
正如Facebook创始人扎克伯格之前宣布的，Meta公司囤积了越来越多的GPU，因此下一代模型将继续扩展。
对于网友们所说的，无法在家里运行Llama 3.1，这很有可能是真实情况。但如果进行FP8量化，仍然可以在单节点上使用128k的上下文窗口运行。
从另一个视角来看，我们依然依赖开源社区的力量。Llama 1和Llama 2发布初期被认为模型过于庞大，但两周后它们已经能够在树莓派上运行。
虽然无法确定Llama 3.1版本是否会如以往一样，但通过开源模型，我们期待能够见到类似的发展趋势。
重新审视Scaling Law
我们所熟知的Scaling Law主要关注两个维度，即模型权重和训练量，包括训练时的步数、时期和标记总量等等。
基本上，论文的发现是，模型规模对结果有重要影响。因此，GPT-3犯了一个错误——它的模型参数远远超过了token总量的要求。
论文地址：https://arxiv.org/pdf/2001.08361
这也正是之后的Chinchilla所发现和强调的，相比最初的Scaling Law，他们更强调了训练数据token总量的重要性。
论文地址：https://arxiv.org/pdf/2203.15556
Chinchilla论文试图寻找「算力最优化」的训练方法，认为在有限的算力条件下，存在一个最佳的模型参数量和训练token数的比率。
如果您希望在论文基准测试中获得最佳模型，那么Chinchilla本身没有问题；但Meta即将发布的旗舰模型需要更高的推理效率。
因此，我们决定增加训练的token数量，并延长训练时间，使模型达到「过度训练」的状态。
这不符合Chinchilla定律，也会付出额外的算力，但我们希望让模型有更好的推理表现，从而更多地应用于开源社区，因此需要做出一些超越Chinchilla定律的选择。
事实上，这也是Llama 1的研发人员所做的事情。我所说的「不要陷入Chinchilla陷阱」就是这个意思。
模型架构
相比Llama 2， Llama 3的架构没有太多变化，但是在扩展数据的规模和质量方面，我们作出了很多努力，数据集从2T token增加到15T token。
架构方面，我认为未来会有更多改进，甚至不仅仅局限于Transformer。
目前的Tranformer架构仍然缺少灵活性，例如，我认为对每个token使用相同的算力是毫无意义的，因此还有很多研究的空间。
关于「为什么不使用MoE架构」，这个是我经常听到的质疑，其中的原因有多个方面。
我认为，稠密模型只是MoE的一个特定变体，你可以把它看作只有一个专家的MoE，因此这只是一个还没有优化的超参数而已。
但我们目前正在进行一些工作，未来可能会在这个超参数上继续探索。
关于合成数据
关于数据，我的直觉是，公开互联网上存在大量无效文本，利用这些token来训练模型会浪费计算资源。
在为Llama 2抓取数据时，我们就使用Llama作为分类器，用于过滤出高质量的token，并打上主题标签，比如这段文本是和数学、法律还是政治有关，这样可以实现主题的均衡和多样性。
Llama 3的后训练过程完全没有使用人工书写的答案，仅依靠从Llama 2获得的合成数据。
我非常看好合成数据，而且随着模型性能提升，情况也会变得更好。
LLM的评估与改进
目前的模型研发有一个趋势，就是针对基准分数进行模型的后训练改进。
模型评估是一个开放的研究问题，目前还没有很好的答案，尤其是面对同一个模型有如此多的功能。
当你试图提升模型在某个基准上的分数时，这就不再是一个好的基准了，因为可能会存在过拟合，分数提升未必可以转化成为相似的能力。
因此，语言模型的评估，尤其是训练后评估，是一个非常困难的问题。我们尝试过很多方法，包括用奖励模型，模型作为评判者，使用多样化的提示，多样化的基准测试……
我感觉为Llama 2进行评估要比今天容易多了，当时的模型性能比现在相差很多。现在的模型变得如此出色，以至于很难找到能挑战模型的适当提示，进行性能比较并查看边界情况。
比较模型的一个有效方法是进行多轮RLHF。每次引入新模型时，只需在所有标注的提示上进行抽样，让新旧模型分别作答，然后自动计算胜率。
Llama 4与Agent
Meta已经在6月开始训练Llama 4模型，而且重点可能围绕agent技术，并且已经在Toolformer等agent工具上进行了一些工作。
论文地址：https://arxiv.org/pdf/2302.04761
但同时也要意识到，如果没有一个优秀的指令模型，Toolformer扩展和未来能力也会大大受限，因此我们研发了Llama 2和Llama 3。
此外，Meta公司也曾在一年前发布了GAIA基准，旨在评估模型在解决现实世界问题方面的能力。
在这个基准的排行榜上，基于GPT-3的agent系统得分几乎接近于零，但GPT-4驱动的系统就有很好的成绩，比如30%～40%，这其中就体现出模型的智力差距。
在我看来，代理人（agent）的各种能力，比如执行函数调用、遵循复杂指令、预先规划、进行多步骤推理等等，与模型的智力差距类似。
现在有了足够强大的Llama 3，我将重新专注于agent的构建。如果能实现良好的模型互联，形成一个复杂的agent系统，将获得几个数量级的扩展，从而实现规划、回溯、网页导航、代码执行等多种功能。
