大家好，我是Jerry老師，今天又來分享一個最新的Google模型Gemma2 27B，這個是目前地表上離線版最好的模型，同時也可以商用，不過現在語言模型生命週期很短，很期待下一代的模型的開放。
Gemma2 ㄧ樣是decoder-only transformer 架構，而Context Length相較前一代提升到8192 tokens，並且採用Rotary Position Embeddings (RoPE)與GeGLU，以及更深的網路。
其中有幾個重點是與Gemma1的不同包含如下：
· Local Sliding Window and Global Attention
o 在每一層計算中採用加入Global+sliding window的做法，可以降低運算資源
o 這個技術來自於Longformer，有興趣的讀者可以讀這篇。
· Logit soft-capping
o 基於Gemini 1.5的概念，限制每一個attention layer與final layer的邏輯數，加快輸出效率
o 同時取消採用傳統Flash Attention的做法
· Post-norm and pre-norm with RMSNorm
o 這個跟上一代一樣的用法，但是做了一些正規化的動作
· Grouped-Query Attention
o 這個也是上一代的用法，在論文中指出用這個方法的模型再縮小後，困惑度影響較小。
訓練資料的包含如下：
· 27B採用13 trillion Tokens，包含網路資料、論文等
· 9B則採用8 trillion Tokens
· Tokenizer採用SentencePiece 與 byte-level encodings
· 同時自動去除個人資料、敏感資料
· 初始化訓練的機器是27B採用6144塊TPUv5，9B採用4096塊TPUv4
o 這部分跟之前Jerry老師分享的差不多，1B的模型差不多要256~512塊GPU
· 訓練方法採用ZeRO-3，來進行分散式訓練
通常做完基礎模型，還會需要進行指定任務的微調，這邊Google也做了以下的工作
· Supervised fine-tuning (SFT)
o 把準任務給LLM開始做微調
· Reinforcement Learning from Human Feedback (RLHF)
o 在微調後，透過RLHF提升準確率
· Model merging
o 合成其他專業的模型超參數
· Data filtering
o 一樣再度過濾個人資訊、敏感資訊
· Formatting
o 將輸入與輸出的格式標準化
其中有趣的地方是，論文中有提到縮小模型後對於原本模型的影響，譬如說如果困惑度是60（初始化訓練），則縮小後的模型，會提高10%。但如果模型本身訓練的時候採用GQA，反而模型變化就不大，且推論速度可以更快。
接下來是大家在意的評測狀況
跟預期的一樣，參數較大的模型，還是勝出較小的模型，不過整體分數已經沒有差太多，我們可以從上面表格看到，70B模型在特定題目上，如MMLU只差5分左右。再來我們看到 Gemma2特別跟大陸的Qwen1.5（通義千問）去比較，可以發現分數比他好一些，但不同的是參數大小是Gemma2較小。我們可以看到目前整體來說，有機會模型參數小，分數能維持水準的模型並不多，而Gemma 2是其中一個。
從透過Chatbot Arena 的方式，進入Elo rating system評分後，唯一通過競賽的落地模型，只剩下Yi系列 跟Gemma系列，相當期待後續Gemma進入到70B之後的表現。
不過Gemma2的原生版本建議執行在TPU或H100以後的機器，所以各家企業的GPU要提高到另一個層次才行了，還好有Colab，可以先看看有沒有機會抽到比較好的顯卡，至少要準備70GB的VRAM
請到這裡享用程式碼
論文中還有很多值得閱讀的內容，也留給大家品味一下
