Index-1.9B-32K 是一个仅有 1.9B 参数、却具备 32K 上下文长度的语言模型（这意味着，这个超小精灵可以一次性读完 3.5 万字以上的文档）。该模型专门针对 32K 以上的长文本进行了持续预训练（Continued Pre-Training）和监督微调（SFT），主要基于我们精心清洗的长文本预训练语料、自建的长文本指令集进行训练。目前，我们已在 Hugging Face 和 ModelScope 上同步开源。
Index-1.9B-32K 以极小的模型体积（约为 GPT-4 等模型的 2%），实现了出色的长文本处理能力。如下图，我们1.9B尺寸的模型分数甚至远超7B尺寸的模型。以下为与 GPT-4、Qwen2等模型的对比：
Index-1.9B-32K与GPT-4、Qwen2等模型长文本能力对比
- Huggingface：https://huggingface.co/IndexTeam/Index-1.9B-32K
- Modelscope：https://modelscope.cn/models/IndexTeam/Index-1.9B-32K
- Github：https://github.com/bilibili/Index-1.9B （这里是：技术报告、运行&评测代码，模型运行、评测代码已开源，可以复现我们的评测结果，详见：评测运行方法）
Index-1.9B-32K基于我们已经开源的 Index-1.9B 进行继续训练，进行了额外两个阶段的训练：
-
Long PT：Long continued Pre-Training，长文本继续预训练，基于长数据进行持续预训练。
-
Long SFT：长文本监督微调，基于长指令进行 SFT。
*(RLHF / DPO)：尽管我们已经具备强化学习(RLHF)、DPO 等对齐训练的经验，但是这个版本还未经过RLHF/DPO训练（后续版本将补充RLHF/DPO），我们仍然优先集中精力攻克模型在长文本处理方面的深层次能力。
Index-1.9B-32K的训练流程如下：
Index-1.9B-32K的训练流程
- Rope Base：32 * 10000
- 最大序列长度：32768
- 最大位置编码：32768
-
我们通过理论计算并结合之前的研究工作确定了 Rope Base 的范围，详见：2104.09864 和 2310.05209。
-
进一步，我们通过实际训练和对照实验，最终确定了 32*10000 这个 Rope Base。
-
我们也注意到很多其他公司使用百万甚至更高的 Rope Base，例如，Gradient AI 使用的 Rope Base 甚至超过了 10 亿，因此我们也尝试将 Rope Base 增大到数百万，经过对照实验，结果显示这并不会带来性能提升。
-
Rope Base 的计算：
- Rope Base 和 Context Length 取值：如下图所示，在 32K 上下文情况下，32*10000 的 Rope Base 已经足够，处于图中的红色区域，困惑度较低。
Rope Base与困惑度关系
我们基于自建的长文本语料库进行了持续预训练。我们精心清洗了 100B+ 的长文本数据，在训练了 10B 之后，模型的长文本性能提升已比较显著。
- 为了有效利用算力，使用Doc Packing方式训练，并重置注意力掩码和位置 ID
- Token 级别的 Batch Size 为 4M
- 峰值学习率为 1e-5
- 学习率调度：余弦调度，开始时进行少量预热
- 权重衰减：0.1
- 梯度裁剪：1.0
我们基于自建的海量语料池，构建了长文本预训练语料库。互联网上搜集到的大多数语料的 Token 量比较短，我们进行了统计如下：
- 73% 的文档的 Token 量处于 0~4K 之内。
- 32K以上的长文本语料不足 1%。
我们的语料库 Token 长度分布
- 我们基于 3 万多条自建的长文本指令，并结合 5 万多条通用指令进行了 SFT，使模型具备了长文本指令遵循能力。我们也尝试使用数十万条指令进行训练，但结果没有显著变化，这一方面源于我们的指令的质量和多样性仍不佳。
- 在我们多次实验中，通常 2 个 epoch 就能达到较好的性能。
- SFT 过程的训练集损失下降曲线如下，可以看到模型在前 100 步内性能急剧提升。
SFT 训练损失曲线
- 为了有效利用算力，使用Doc Packing方式训练，并重置注意力掩码和位置 ID
- Token 级别的 Batch Size 为 1M
- 峰值学习率为 5e-6
- 学习率调度：余弦调度，开始时进行少量预热
- 权重衰减：0.1
- 梯度裁剪：1.0
- 对于模型的“长文本能力”，我们使用了三种评测方法：NeedleBench、LongBench 和 LEval。
- 对于模型的“短文本能力”，我们使用了自建的评测集和 MMLU 等传统评测方法。
- 评测主要基于 opencompass 完成。
- OpenCompass 提供了便捷且丰富的大模型评测支持，这极大地提升了我们模型的训练迭代节奏，在此特别鸣谢。
- 我们的模型运行、评测代码也已开源，可以复现我们的评测结果，详见：评测运行方法）
- Index-1.9B-32K在32K长度的大海捞针测试下，评测结果如下图（needlebench_single_32k），可以看到，评测结果只在（32K 长度，%10 深度）区域有一处黄斑（91.08分），其他范围表现优异，几乎全绿。
- 大海捞针测试简介：大海捞针测试通过在长文本中随机插入关键信息，形成大型语言模型 (LLM) 的 Prompt，旨在检测大型模型是否能从长文本中提取出这些关键信息，从而评估模型处理长文本信息提取的能力。
大海捞针评测
- Index-1.9B-32K在 LongBench 评测上的得分为 35.23，在 LEval 评测上的得分为 35.86。详细分数请点击
- LongBench简介：LongBench是由 THUDM 构建的长文本数据集，由 21 个子任务构成，总计 4750 条测例。该数据集是第一个包含中英双语的长文本数据集，其中英语文本长度平均为 6711 词，中文文本平均长度为 13386 字。
- LEval简介：LEval是由 OpenLMLab 构建的一个长文本数据集，由 18 个子任务组成，其中包含法律、经济、科技等各个领域的文本。
- 如下图，我们1.9B尺寸的模型分数甚至远超7B尺寸的模型：
Index-1.9B-32K与GPT-4、Qwen2等模型长文本能力对比
- 虽然Index-1.9B-32K的长文本能力获得极其优异的结果，但短文本能力有所下降。
- 我们使用了基于自建 benchmark 的评测，结果显示模型的“短文本能力”在多个评测指标上均有下降。在自建 benchmark 的评测中，性能下降了约 25%，因此，平衡模型的“长短文本能力”也将是我们未来的一个主要工作。
在进行长上下文相关的评测时，我们遇到以下问题并进行了优化，这一优化已被 OpenCompass 合并到官方最新仓库，详见： opencompass/commit
在评估过程中，序列长度可能会超过模型的 max_seq_len，尤其是在长上下文评估中，这导致两个问题：
-
prompt被截断，只有一部分进入模型，导致关键信息（例如关键问题）丢失，模型无法理解prompt的意图。
-
在继续生成时，总长度超过max_seq_len 并出现以下警告：
This is a friendly reminder - the current text generation call will exceed the model's predefined maximum length (32768). Depending on the model, you may observe exceptions, performance degradation, or nothing at all.
保留前 0.5 * max_prompt_len 的 tokens 和后 0.5 * max_prompt_len 的 tokens，丢弃中间部分，因为提示中的问题通常位于开头或结尾。
我们对比了免训练的上下文扩展方法，例如 Dynamic NTK 等。其中，我们对 Dynamic NTK 使用了多种 scaling factor，本文评测时使用的 scaling factor 为 8。
Long Context方法效果对比
- 总体来看，在 1.9B 这个模型尺寸下，我们相比业界其他同尺寸开源模型取得了非常优异的结果。我们也公开了 benchmark 运行代码，可以复现这些评测结果。
- 通过大量研究和实验发现，长文本能力和短文本能力在很多情况下像跷跷板，兼顾两者是一个有趣且具有挑战性的课题。
我们还进行了很多失败的尝试，例如：
我们最初认为 LLM 对文本长度的感知能力应当逐步从短到长提升，因此尝试构建长度递增的数据集并按顺序进行训练。模型的损失（Loss）在初期下降迅速，但随后出现反弹且无法进一步下降。我们推测这可能与数据分布不均有关，后续将对此展开更深入的研究。
上下文长度预热训练的验证集损失曲线
我们认为Doc Packing 方式的训练可能会影响梯度下降，特别是在混合不同长度指令时。然而，实验结果显示，两种训练方式的差异极小（小于 1%）。
我们注意到 LLaMA 3 的Paper中提到他们只使用了 1‰ 的长指令进行微调，我们对这一结果感到好奇，于是进行了实验，实验结果为负向。
详细得分如下表：
- GPT-4和longchat-7b-v1.5-32k的得分摘自 这里
- Index-1.9B-32K、Qwen2-1.5B-Instruct的得分是我们基于opencompass运行得出
| Dataset | Index-1.9B-32K | Qwen2-1.5B-Instruct | longchat-7b-v1.5-32k | GPT-4 |
|---|---|---|---|---|
| LEval Exact Match (Acc) | 41.542 | 46.412 | 21.008 | 81.434 |
| LEval_coursera | 41.28 | 45.93 | 27.91 | 61.05 |
| LEval_gsm100 | 27 | 42 | 5 | 92 |
| LEval_quality | 50 | 44.55 | 29.7 | 81.19 |
| LEval_tpo | 65.43 | 66.91 | 17.1 | 72.93 |
| LEval_topic_retrieval | 24 | 32.67 | 25.33 | 100 |
| LEval Gen (ROUGE) | 30.17461538 | 32.33692308 | 26.80076923 | 41.53923077 |
| LEval_financialqa | 39.97 | 41.23 | 34.07 | 53.49 |
| LEval_gov_report_summ | 40.77 | 37.43 | 36.52 | 50.84 |
| LEval_legal_contract_qa | 14.02 | 28.07 | 13.32 | 31.23 |
| LEval_meeting_summ | 28.54 | 27.43 | 22.32 | 31.44 |
| LEval_multidocqa | 22.91 | 29.91 | 21.85 | 37.81 |
| LEval_narrativeqa | 15.87 | 21.03 | 16.87 | 25.87 |
| LEval_nq | 49.02 | 34.48 | 35.02 | 67.36 |
| LEval_news_summ | 27.93 | 28.17 | 30.33 | 34.52 |
| LEval_paper_assistant | 35.35 | 32.63 | 30.42 | 42.26 |
| LEval_patent_summ | 33.6 | 47.72 | 41.6 | 48.61 |
| LEval_review_summ | 25.16 | 27.01 | 20.02 | 31.98 |
| LEval_scientificqa | 34.39 | 37.63 | 20.98 | 49.76 |
| LEval_tvshow_summ | 24.74 | 27.64 | 25.09 | 34.84 |
| Average | 35.8583 | 39.3745 | 23.9044 | 61.4866 |
- GPT-4和longchat-7b-v1.5-32k的得分摘自 这里
- Index-1.9B-32K、Qwen2-1.5B-Instruct的得分是我们基于opencompass运行得出
| LongBench | Index-1.9B-32K | Qwen2-1.5B-Instruct | longchat-7b-v1.5-32k | GPT-4 |
|---|---|---|---|---|
| Single-Document QA | 37.305 | 32.72 | 31.625 | 48.3675 |
| NarrativeQA | 19.1 | 15.93 | 19.19 | 31.2 |
| Qasper | 32.47 | 29.3 | 30.36 | 42.77 |
| MultiFieldQA-en | 43.23 | 40.74 | 44.6 | 55.1 |
| MultiFieldQA-zh | 54.42 | 44.91 | 32.35 | 64.4 |
| Multi-Document QA | 25.9375 | 24.04 | 22.54 | 50.8875 |
| HotpotQA | 33.83 | 30.09 | 34.43 | 59.85 |
| 2WikiMQA | 26.87 | 22.57 | 23.06 | 67.52 |
| Musique | 16.21 | 15.12 | 12.42 | 37.53 |
| DuReader (zh) | 26.84 | 28.38 | 20.25 | 38.65 |
| Summarization | 17.46 | 17.015 | 23.025 | 25.13 |
| GovReport | 17.3 | 18.63 | 29.83 | 32.09 |
| QMSum | 17.97 | 18.41 | 22.71 | 24.37 |
| Multi_news | 15.66 | 15.19 | 26.1 | 28.52 |
| VCSUM (zh) | 18.91 | 15.83 | 13.46 | 15.54 |
| Few-shot Learning | 51.0425 | 30.6725 | 34.6625 | 64.6275 |
| TREC | 59.5 | 8 | 29.23 | 78.5 |
| TriviaQA | 83.87 | 74.46 | 64.19 | 92.19 |
| SAMSum | 34.3 | 29.23 | 25.23 | 46.32 |
| LSHT (zh) | 26.5 | 11 | 20 | 41.5 |
| Synthetic Tasks | 15.333 | 7.98 | 12.167 | 59.833 |
| Passage Count | 0 | 5 | 1 | 8.5 |
| PassageRetrieval-en | 24 | 11.94 | 20.5 | 75 |
| PassageRetrieval-zh | 22 | 7 | 15 | 96 |
| Code Completion | 64.335 | 29.91 | 51.82 | 57.335 |
| LCC | 66.4 | 34.14 | 51.46 | 59.25 |
| RepoBench-P | 62.27 | 25.68 | 52.18 | 55.42 |
| Average | 35.2356 | 23.7229 | 29.3065 | 51.0301 |
| LongBench | Index-1.9B-32K | Index-1.9B-4K | Index-1.9B-4K Dynamic NTK |
|---|---|---|---|
| Average | 35.23 | 7.65 | 10.9 |
| Single-Document QA | 37.305 | 12.47 | 12.03 |
| NarrativeQA | 19.1 | 0.09 | 0.98 |
| Qasper | 32.47 | 11.48 | 7.68 |
| MultiFieldQA-en | 43.23 | 12.76 | 17.07 |
| MultiFieldQA-zh | 54.42 | 25.53 | 22.39 |
| Multi-Document QA | 25.9375 | 2.33 | 5.31 |
| HotpotQA | 33.83 | 0.7 | 3.44 |
| 2WikiMQA | 26.87 | 5.59 | 11.4 |
| Musique | 16.21 | 0.07 | 1.64 |
| DuReader (zh) | 26.84 | 2.97 | 4.76 |
| Summarization | 17.46 | 5.26 | 7.57 |
| GovReport | 17.3 | 1.65 | 9.49 |
| QMSum | 17.97 | 0.1 | 1.73 |
| Multi_news | 15.66 | 13.05 | 10.08 |
| VCSUM (zh) | 18.91 | 6.24 | 8.98 |
| Few-shot Learning | 51.0425 | 3.82 | 3.18 |
| TREC | 59.5 | 1.5 | 2.5 |
| TriviaQA | 83.87 | 9.2 | 4.57 |
| SAMSum | 34.3 | 4.56 | 2.4 |
| LSHT (zh) | 26.5 | - | 3.25 |
| Synthetic Tasks | 15.3333 | 0.55 | 1.11 |
| Passage Count | 0 | - | 0.22 |
| PassageRetrieval-en | 24 | 0.07 | 1.95 |
| PassageRetrieval-zh | 22 | 1.57 | 1.17 |
| Code Completion | 64.335 | 21.46 | 36.21 |
| LCC | 66.4 | 37.39 | 35.41 |
| RepoBench-P | 62.27 | 5.52 | 37 |
- 下载模型运行、评测的代码仓库:
git clone https://github.com/bilibili/Index-1.9B
cd Index-1.9B-
下载模型文件到本地: 模型下载地址
-
使用pip安装依赖环境:
pip install -r requirements.txt- 运行长文本专用的交互工具：demo/cli_long_text_demo.py （注意:
Index-1.9B-32K仅限使用此工具启动） - 模型默认会读取该文件：data/user_long_text.txt，将对文本内容进行中文总结。
- 可以新建一个窗口，实时修改文件内容，模型会读取最新的文件内容并总结。
cd demo/
CUDA_VISIBLE_DEVICES=0 python cli_long_text_demo.py --model_path '/path/to/model/' --input_file_path data/user_long_text.txt- 运行&交互效果（翻译并总结哔哩哔哩公司于2024.8.22发布的英文财报 --- 英文财报原文在这里)：
翻译总结（哔哩哔哩公司于2024.8.22发布的英文财报）
- 效果调优：正如在上文训练过程一节所述——“此版本模型尚未经过 RLHF/DPO 的对齐训练（后续版本将补充 RLHF/DPO）”，因此其在不同任务上的指令遵循能力可能不足。如果在你的任务中测试效果不理想，建议尝试修改 cli_long_text_demo.py 中的 prompt 以优化任务表现。
- 仅限用于长文本：如上文Alignment评测和短能力一节所述，此版本模型在长文本处理方面表现出色，但短文本能力（如普通聊天对话）有所下降。如果你主要用于普通的对话，建议使用我们的另一个版本Index-1.9B-Chat
本文对我们的 Long Context 工作做了简略介绍，我们仍在持续更新、升级 Long Context 能力，请关注后续进展，欢迎交流。
Index-1.9B-32K在某些情况下可能会产生不准确、有偏见或其他令人反感的内容。模型生成内容时无法理解、表达个人观点或价值判断，其输出内容不代表模型开发者的观点和立场。因此，请谨慎使用模型生成的内容，用户在使用时应自行负责对其进行评估和验证，请勿将生成的有害内容进行传播，且在部署任何相关应用之前，开发人员应根据具体应用对模型进行安全测试和调优。
我们强烈警告不要将这些模型用于制造或传播有害信息，或进行任何可能损害公众、国家、社会安全或违反法规的活动，也不要将其用于未经适当安全审查和备案的互联网服务。我们已尽所能确保模型训练数据的合规性，但由于模型和数据的复杂性，仍可能存在无法预见的问题。如果因使用这些模型而产生任何问题，无论是数据安全问题、公共舆论风险，还是因模型被误解、滥用、传播或不合规使用所引发的任何风险和问题，我们将不承担任何责任。
使用本仓库的源码需要遵循 [Apache-2.0]{.underline} 开源协议，使用 Index-1.9B-32K的模型权重则需要遵循[模型许可协议]{.underline}。
Index-1.9B-32K模型权重对学术研究完全开放，并且支持免费商用。
如果你觉得我们的工作对你有帮助，欢迎引用！
@article{Index-1.9B-32K,
title={Index-1.9B-32K Long Context Technical Report},
year={2024},
url={https://github.com/bilibili/Index-1.9B/blob/main/Index-1.9B-32K_Long_Context_Technical_Report.md},
author={Changye Yu, Tianjiao Li, Lusheng Zhang and IndexTeam}
}