国产开源中文大语言模型再添重磅玩家：清华大学NLP实验室发布开源可商用大语言模型CPM-Bee
5月27日，OpenBMB发布了一个最高有100亿参数规模的开源大语言模型CPM-BEE，OpenBMB是清华大学NLP实验室联合智源研究院成立的一个开源组织。该模型针对高质量中文数据集做了训练优化，支持中英文。根据官方的测试结果，其英文测试水平约等于LLaMA-13B，中文评测结果优秀。
此前，国产开源大语言模型最强的应该是ChatGLM-6B（https://www.datalearner.com/ai-models/pretrained-models/ChatGLM-6B ），这也是清华大学研究成果，是清华大学KEG小组发布的，在国内外都有很好的反响，截止5月26日，ChatGLM-6B 全球下载达到200万。相比较ChatGLM-6B，CPM-Bee的主要特点如下：
- 开源协议更加友好，只要获取书面授权即可商用。代码、预训练结果均开源，训练过程也是全球直播。
- 从评测结果看，CPM-Bee模型效果也很优秀，中文ZeroCLUE评测中远超其它模型，英文多个任务评测结果也与LLaMA-13B差不多，部分任务上的表现超越GPT-3。
- 推理成本与ChatGLM-6B差不多，最低10亿参数规模的模型仅需要4.1GB显存可做推理，而100亿参数规模的推理仅需20GB显卡，单张消费级显卡即可。
总的来说，CPM-Bee是值得大家关注的模型，如果商用协议未来保持友好，且不断升级迭代，那也许会是一个可以和ChatGLM-6B模型竞争的一个国产替代好选择~
CPM-Bee简介
CPM全称Chinese Pretrained Model，Bee是该系列模型的第二个里程碑版本。
CPM-Bee模型是基于CPM-Ant模型继续训练得到。后者是2022年5月到9月训练的大语言模型。而CPM-Bee则是从2022年10月13日开启训练，相比之前，模型在很多任务上做了优化，包括文字填空、文本生成、问答等。
这是一个基于transformer架构的自回归模型，在高质量的中英文数据集上训练了半年左右的时间。包含4个系列的预训练结果，参数分别是10亿、20亿、50亿和100亿。CPM-Bee模型的相关信息如下：
| CPM-Bee模型参数 | CPM-Bee模型参数结果 |
|---|---|
| 模型名称 | CPM-Bee |
| 模型架构 | transformer |
| 基础模型 | CPM-Ant |
| 模型最大参数 | 100亿 |
| 训练时间 | 2022年10月13日-2023年3月29日 |
| 模型类型 | 基础语言模型 |
| 训练数据集 | 200GB高质量中文数据集+400GB多语言数据集 |
| 训练数据集tokens数 | 1万亿 |
根据官方的描述，CPM-Bee的中文数据集原始数据有1TB左右，做了预处理清洗之后有200GB的高质量中文数据集结果。并加入了400GB的多语言数据集，但没有透露数据集的具体信息。
CPM-Bee训练时间230天，成本85万左右。训练的tokens数量约6380亿左右（本部分数据与GitHub介绍有冲突）。
此外，CPM-Bee的一个特点是在推理上占用的资源很小：
| CPM-Bee模型版本 | 推理的显存 | 推荐的硬件 |
|---|---|---|
| CPM-Bee-10B | 20GB | RTX3090（24GB） |
| CPM-Bee-5B | 11 GB | RTX 3090（24 GB） |
| CPM-Bee-2B | 6.7 GB | GTX 1080（8 GB） |
| CPM-Bee-1B | 4.1 GB | GTX 1660（6 GB） |
可以看到，最小的10亿参数版本的模型仅需要4.1GB显存即可运行！50亿参数规模版本需要11GB显存。另一个清华大学著名的开源模型ChatGLM-6B版本的推理需要13GB显存。
CPM-Bee的效果
为了测试CPM-Bee的训练效果，官方在中英文的数据集上做了多项测试。
首先是在中文的ZeroCLUE上的测试结果。这是一个专门针对中文大语言模型的评测排行。CPM-Bee的评测得分排行第二，仅次于人类。超过了百度、阿里云等相关模型。
在英文评测上，其测试结果也超过了LLaMA-7B，与LLaMA-13B的得分相当。甚至在BooQ、ARC-c和OBQA的任务上超过了GPT-3！可以说是十分不错。
| 模型 | Average | BoolQ | PIQA | SIQA | HellaSwag | WinoGrande | ARC-e | ARC-c | OBQA |
|---|---|---|---|---|---|---|---|---|---|
| GPT-3 | 60.5 | 81 | - | 78.9 | 70.2 | 68.8 | 51.4 | 57.6 | |
| Gopher | 79.3 | 81.8 | 50.6 | 79.2 | 70.1 | - | - | - | |
| Chinchilla | 83.7 | 81.8 | 51.3 | 80.8 | 74.9 | - | - | - | |
| PaLM | 84.8 | 80.5 | - | 79.7 | 77 | 75.2 | 52.5 | 50.4 | |
| LLaMA-7B | 66.13 | 76.5 | 79.8 | 48.9 | 76.1 | 70.1 | 72.8 | 47.6 | 57.2 |
| LLaMA-13B | 68.08 | 78.1 | 80.1 | 50.4 | 79.2 | 73 | 74.8 | 52.7 | 56.4 |
| CPM-Bee | 67.80 | 78.69 | 77.58 | 61.11 | 78.89 | 61.88 | 66.88 | 54.18 | 63.20 |
CPM-Bee的开源协议
CPM-Bee作为一个完全开源的中文大语言模型，不仅测试结果很好，在开源方面也十分“大方”。
官方使用了自己的一个自定义开源协议，不过限制较为宽松。代码和模型预训练结果均开源，而模型的预训练结果的商用也只是需要获取官方书面授权即可（官方未说明是否收费）。
另一个比较有意思的是CPM-Bee模型的训练过程也是一个完全开放的过程，官方在社区上公布了完整的模型训练过程，目前最新的训练停留在2023年3月27日，loss结果0.691974，成本85万，时间230天。
除此之外，官方公布了训练过程中遭遇到的一系列问题，包括显存不足、磁盘空间不足等一系列问题，也是大家观察大模型训练最好的方法。
具体的模型信息和下载地址大家参考CPM-Bee模型的模型信息卡信息：https://www.datalearner.com/ai-models/pretrained-models/CPM-Bee
欢迎大家关注DataLearner官方微信，接受最新的AI技术推送
