LLaMA3-405B的模型效果已经赶上目前最好的闭源模型GPT-4o和Claude-3.5，这可能是未来大模型开源与闭源的拐点，这里就LLaMA3的模型结构、训练过程与未来影响等方面说说我的看法。

LLaMA3的模型结构

LLaMA3的模型结构如上图所示，这基本已经成为目前Dense LLM模型的标准结构了，很多采取MOE结构的LLM模型，其变化无非是把上图的FFN模块里的单个SwiGLU模块拓展成K个并联的SwiGLU模块，形成多个专家，再加上一个门控网络来选择目前Token走这么多专家里的哪几个。目前很少有结构能逃脱Transformer架构的影响，对比Transformer的部件升级主要有以下三点：

第一：FFN层激活函数由GELU（ReLU的平滑版本）变为了SwiGLU，引入了更多的权重矩阵。FFN层包括两个线性变换，中间插入一个非线性激活函数，最初的Transformer架构采用了ReLU激活函数：

第二：归一化由post Layer Normalization变为pre RMSNorm，由后变前的同时计算公式也不同。

• Layer Norm：减去样本的均值，除以样本的方差，中心化的同时进行缩放
• 
  
• RMSNorm：去除了减去均值的操作，也就是没有去中心化的操作，只有缩放的操作。所以RMSnorm就是均值为0的Layer Norm。推荐阅读：Batch Normalization究竟学到了数据的什么信息？

第三：由三角函数计算的绝对位置编码改为了RoPE相对旋转位置编码，解决了长文本预测外推性问题。推荐阅读：手把手带你从零推导旋转位置编码RoPE

其余的变化就是模型层数横向及纵向的叠加（见上图），比如405B模型采用了126层的网络结构，RoPE theta 调到了50万等等。

LLaMA3训练过程

• 数据打标与配比：做细粒度的打标签工作，然后根据标签采样，最终敲定了：50% 通用数据、25% 数理数据、17% 代码数据、 8% 多语言数据。这个过程在实际操作过程中应该很复杂，因为需要不断的尝试实验，最终选择效果最好的模型
• 
  
• 预训练：本文长度从8K 逐步增加到支持128K，的上下文窗口，这个长上下文预训练阶段使用了大约800B训练token数据
• 
  
• 退火（annealing）训练：最后用高质量的4000万个token数据学习，线性地将学习率衰减至0，同时保持上下文长度为128K个token。在这一退火阶段，调整了数据混合配比，以增加高质量数据比如数学、代码、逻辑内容的影响

• 在Post-Training过程中（见上图），首先用人工标注数据训练RM模型，用来评价一个<Prompt,answer>数据的质量，然后用RM参与拒绝采样（Rejection Sampling），就是说对于一个人工Prompt，用模型生成若干个回答，RM给予质量打分，选择得分最高的保留作为SFT数据，其它抛掉。这样得到的SFT数据再加上专门增强代码、数学、逻辑能力的SFT数据一起，用来调整模型得到SFT模型
• 训练方法最终采用了DPO，并没有直接采用PPO的训练方式，官方的解释是Managing complexity。不懂DPO与PPO的同学推荐阅读：详解大模型的训练过程
• 
  
• 之后用人工标注数据来使用DPO模型调整LLM参数，DPO本质上是个二分类，就是从人工标注的<Prompt，Good Answer，Bad Answer>三元数据里学习，调整模型参数鼓励模型输出Good Answer，不输出Bad Answer，这算完成了一个迭代轮次的Post-Training
• 
  
• 上述过程会反复迭代几次，每次的流程相同，不同的地方在于拒绝采样阶段用来对给定Prompt产生回答的LLM模型，会从上一轮流程最后产生的若干不同DPO模型（不同超参等）里选择最好的那个在下一轮拒绝采样阶段给Prompt生成答案。很明显，随着迭代的增加DPO模型越来越好，所以拒绝采样里能选出的最佳答案质量越来越高，SFT模型就越好，如此形成正反馈循环
• 
  
• 可以看出尽管RLHF 和DPO两种模式都包含RM，但是用的地方不一样：RLHF是把RM打分用在PPO强化学习阶段，而LLaMA 3则用RM来筛选高质量SFT数据
• 
  

LLaMA3带来的影响

下图展示了开源和闭源模型随着时间能力差异曲线，可以看出两者差距随着时间是逐步减小的，而LLaMA 3-405B让两线出现了交点。

LLaMA 3-405B的开源，对于其它无论闭源还是开源模型，都有重大影响：

• 对于闭源模型，如果其能力还赶不上LLaMA3（比如GPT或GLM），那很多付费用户为什么不去使用开源模型呢？
• 
  
• 对于开源模型而言，如果能力不如LLaMA 3，就需要考虑如何作出差异化和不同特色的模型
• 
  

我认为最后大模型的结果会是一家独大，因为它最重要的能力就是知识的全面性与对话推理能力，而如果做某一领域的模型，只要有那方面的数据，用以前的技术手段也能达到相同的效果。以目前情况来看，大模型的应用以调用为主，根据这个“大脑”开发配套的Agent即可，那我肯定会选一个最强的大脑进行开发......但是一家独大的发展可能并不利于以后这项技术以后的发展。

文章来源于“Al有温度”，作者“安泰Roling”