© 作者｜陈杰机构｜中国人民大学研究方向｜自然语言处理、大语言模型继续预训练是使语言模型适应特定领域或任务的一种重要方法。为了使继续预训练更具可追溯性，本研究展示了一份技术报告，通过继续预训练显著增强了 Llama-3（8B）的中文语言能力和科学推理能力。为了在增强新能力的同时保持原有能力，我们利用现有数据集并合成高质量数据集，设计了特定的数据混合和数据课程策略。我们将继续预训练后的模型命名为 Llama-3-SynE（Synthetic data Enhanced Llama-3）。

文章也同步发布在 AI Box 知乎专栏（知乎搜索 AI Box 专栏），欢迎大家在知乎专栏的文章下方评论留言，交流探讨！

论文题目：Towards Effective and Efficient Continual Pre-training of Large Language Models 论文链接：https://arxiv.org/abs/2407.18743 GitHub链接：https://github.com/RUC-GSAI/Llama-3-SynE

引言

大语言模型（large language model，LLM）相关研究在推动人工智能发展方面取得了重大进展，但在特定场景中仍然存在知识缺口问题。例如，主要在英文语料上预训练的 Llama-3 在中文任务上的表现较差，作为通用模型，它在多学科科学知识上的表现也不足。为了解决这些问题，继续预训练（continual pre-training，CPT）是一种广泛使用的方法，通过在特定领域数据上进行 CPT，增强模型在新领域的能力。然而，CPT 过程中的一个技术难题是“灾难性遗忘”，即新能力得到增强但原有能力大幅下降。尽管现有工作广泛开展了 CPT，但在如何通过有限的训练预算提高模型的综合能力方面，关键的训练细节（如数据选择、混合和课程设计）尚未得到充分讨论。为了使 CPT 更具可追溯性，本研究展示了一份技术报告，通过 CPT 显著增强了 Llama-3（8B）的中文语言能力和科学推理能力。为了在增强新能力的同时保持原有能力，我们利用现有数据集并合成高质量数据集，设计了特定的数据混合和数据课程策略。我们将 CPT 后的模型命名为 Llama-3-SynE（Synthetic data Enhanced Llama-3）。此外，我们还进行了相对较小模型——TinyLlama 的调优实验，并将得出的结论用于对 Llama-3 的 CPT。我们在十几余项评估基准上多维度测试了Llama-3-SynE的性能，结果表明我们的方法在不损害原有能力的情况下，大大提高了Llama-3的性能，包括通用能力（C-Eval 提升了 8.81，CMMLU 提升了 6.31）和科学推理能力（MATH 提升了 12.00，SciEval 提升了 4.13）。我们的研究贡献如下：

我们提出了对 Llama-3（8B）进行 CPT 的完整训练过程，包括数据选择、混合和课程设计。大量实验表明，我们的 CPT 方法是有效（在中文和科学基准测试上取得了巨大提升，同时不影响英文基准测试的性能）且高效（仅消耗约 100B token）的。
我们广泛探索了数据合成技术，生成了高质量的科学和代码数据。我们证明了这些合成数据可以大幅提升 LLM 的相应能力。据我们所知，这是首个公开报告如何合成和利用大规模多学科科学数据进行 CPT 的工作。
我们发布了用于 CPT 得到 Llama-3-SynE 的完整数据集，包括 98.5B token 的通用语料和 1.5B token 的专注于科学推理和代码任务的合成数据，我们还公开了模型和代码用于后续研究。我们的数据集十分有助于训练 LLM，这在我们针对代理模型 TinyLlama 的实验中得到了证明。

方法

本研究提出的基于 Llama-3 的 CPT 过程分为两个主要阶段：双语适应阶段和合成增强阶段。 1. 双语适应阶段：

目标：提高 Llama-3 的中文能力，维持或提升原有能力。
数据比例：将中文和英文语料的比例设置为 2:8。
数据策略：
基于主题的数据混合：通过手动设定的主题分类标签，训练分类器对网页数据进行主题识别，动态调整各主题语料的比例，以保持模型在各主题上的综合能力。
基于困惑度（Perplexity，PPL）的数据课程：根据模型在训练数据上的 PPL 分数，逐步增加训练数据的复杂性。

合成增强阶段：

目标：通过合成数据提高 Llama-3 的多学科科学推理能力，维持或提升代码能力。
数据比例：将中文、英文和合成数据的数据比例调整为 1:7:2。
数据合成：
科学问答数据：基于科学领域的网页内容，使用 LLM 生成相关的科学问答对。
代码问答数据：利用现有的编程题库，生成新的编程问题及其答案。

对 CPT 过程的介绍详见论文。

实验与结果

我们首先在相对较小的模型 TinyLlama 上进行了广泛的探索性实验，验证了数据合成的有效性，并对合成数据的质量、数据比例及数据课程策略进行探索，同时对比了我们的合成数据与现有开源数据，对探索性实验的详细介绍请见论文。我们将实验得出的结论应用于对 Llama-3 的 CPT。实验结果表明，我们的方法在不损害原有能力的情况下，大大提高了基础模型的中文语言和科学推理能力。我们在十几余项常使用的主要基准测试和科学基准测试上对 Llama-3-SynE 进行了评估，结果如下图所示。

值得注意的是，在前期实验中，我们发现中文自适应的 CPT 模型很难在英语和代码等基准测试（例如 MMLU 和 MBPP）中保持原有的性能，这可能是预训练数据和 CPT 数据之间存在数据分布差异的原因，这也在我们对比的那些基线模型上得到体现。实验结果表明，我们的方法可以有效地平衡原有能力和新能力，这主要体现在以下两个方面。 1. 主要基准测试：

在中文评估基准（如 C-Eval 和 CMMLU）上，Llama-3-SynE 显著优于基础模型 Llama-3（8B），表明我们的方法在提高中文语言能力方面非常有效。
在英语评估基准（如 MMLU、MATH 和代码评估基准）上，Llama-3-SynE 表现出与基础模型相当或更好的性能，表明我们的方法有效解决了 CPT 过程中灾难性遗忘的问题。

科学基准测试：