【新智元导读】刚刚，英伟达全新发布的开源模型Nemotron-4 340B，有可能彻底改变训练LLM的方式！从此，或许各行各业都不再需要昂贵的真实世界数据集了。而且，Nemotron-4 340B直接超越了Mixtral 8x22B、Claude sonnet、Llama3 70B、Qwen 2，甚至可以和GPT- 4 掰手腕！

就在刚刚，英伟达再一次证明了自己的AI创新领域的领导地位。

它全新发布的Nemotron-4 340B，是一系列具有开创意义的开源模型，有可能彻底改变训练LLM的合成数据生成方式！

论文地址：https://d1qx31qr3h6wln.cloudfront.net/publications/Nemotron_4_340B_8T_0.pdf

这一突破性进展，标志着AI行业的一个重要里程碑——

从此，各行各业都无需依赖大量昂贵的真实世界数据集了，用合成数据，就可以创建性能强大的特定领域大语言模型！

现在，Nemotron-4 340B已经取得了辉煌战绩，直接超越了Mixtral 8x22B、Claude sonnet、Llama3 70B、Qwen 2，甚至可以和GPT- 4 一较高下！

其实，以前这个模型就曾登上大模型竞技场LMSys Chatbot Arena，当时它的别名是「june-chatbot」

具体来说，Nemotron-4 340B包括基础模型Base、指令模型Instruct和奖励模型Reward，并构建了一个高质量合成数据生成的完整流程。

模型支持4K上下文窗口、 50 多种自然语言和 40 多种编程语言，训练数据截止到 2023 年 6 月。

训练数据方面，英伟达采用了高达 9 万亿个token。其中， 8 万亿用于预训练， 1 万亿用于继续训练以提高质量。

值得一提的是，指令模型的训练是在98%的合成数据上完成的。

结果显示，Nemotron-4-340B-Base在常识推理任务，如ARC-Challenge、MMLU和BigBench Hard基准测试中，可以和Llama-3 70B、Mixtral 8x22B和Qwen-2 72B模型媲美。

而Nemotron-4-340B-Instruct，在指令跟随和聊天能力方面也超越了相应的指令模型。

Nemotron-4-340B-Reward在发表时，在RewardBench上实现了最高准确性，甚至超过了GPT-4o- 0513 和Gemini 1.5 Pro- 0514 这样的专有模型。

在BF16 精度下，模型的推理需要 8 块H200，或 16 块H100/A100 80GB。如果是在FP8 精度下，则只需 8 块H100。

除此之外，Nemotron-4 340B还有一个非常显著的特点——对商用十分友好的许可。

高级深度学习研究工程师Somshubra Majumdar对此表示大赞：「是的，你可以用它生成你想要的所有数据」

无与伦比的合成数据生成

LLM无法获得大规模、多样化标注数据集，怎么破？

Nemotron-4 340B指令模型，可以帮助开发者生成合成训练数据。

这些多样化的合成数据，模仿了真实世界的数据特征，因而数据质量明显提升，从而提升了各领域定制LLM的性能和稳定性。

而且，为了进一步提高AI生成数据的质量，开发者还可以用Nemotron-4 340B 奖励模型，来筛选高质量的响应。

它会根据有用性、正确性、一致性、复杂性和冗长性这 5 个属性，对响应评分。

另外，研究者可以使用自己的专用数据，再结合HelpSteer2 数据集，定制Nemotron-4 340B 基础模型，以创建自己的指令或奖励模型。

用NeMo微调，用TensorRT-LLM优化推理

利用开源的NVIDIA NeMo和NVIDIA TensorRT-LLM，开发者可以优化指令模型和奖励模型的效率，从而生成合成数据，并对响应进行评分。

所有Nemotron-4 340B模型都利用张量并行性经过TensorRT-LLM优化，这种模型并行性可以将单个权重矩阵分割到多个GPU和服务器上，从而实现大规模高效推理。

其中，基础模型可以使用NeMo框架进行定制，以适应特定的用例或领域。广泛的预训练数据使得我们可以对它进行微调，并且为特定的下游任务提供更准确的输出。

通过NeMo框架，英伟达提供了多种定制方法，包括监督微调和参数高效微调方法，如低秩适应（LoRA）。

为了提高模型质量，开发者可以使用NeMo Aligner和由Nemotron-4 340B奖励模型标注的数据集来对齐模型。

在各行业的潜在影响：从医疗到金融及其他领域

显然，Nemotron-4 340B对各行业的潜在影响是巨大的。

在医疗领域，如果能生成高质量合成数据，可能会带来药物发现、个性化医疗和医学影像方面的突破。

在金融领域，基于合成数据训练的定制大语言模型，则可能会彻底改变欺诈检测、风险评估和客户服务。

在制造业和零售业方面，特定领域的LLM可以实现预测性维护、供应链优化和个性化客户体验。

不过，Nemotron-4 340B的发布，也提出了一些隐忧，比如数据隐私和安全怎样保证？

随着以后合成数据的普及，企业是否有防护措施来保护敏感信息，并防止滥用？

如果用合成数据训练AI模型，是否会引发伦理问题，比如数据中的偏见和不准确可能引发意料外的后果？

但至少在目前，越来越多迹象表明，只有合成数据才是未来。

预训练

下面，我们就来看看，英伟达都提出了哪些创新的方法：

数据

预训练数据是基于三种不同类型的混合，共有9T token。其中，前8T用于正式预训练阶段，最后1T用于继续预训练阶段。

英语自然语言（70%）：由不同来源和领域的精选文档组成，包括网页文档、新闻文章、科学论文、书籍等。

多语种自然语言（15%）：包含 53 种自然语言，由单语语料库和平行语料库中的文档构成。

代码（15%）：包含 43 种编程语言。

架构

与Nemotron-4-15B-Base类似，Nemotron-4-340B-Base基于的也是仅解码器Transformer架构。

具体来说，模型使用因果注意力掩码来确保序列的一致性，并采用旋转位置嵌入（RoPE）、SentencePiece分词器、分组查询注意力（GQA），以及在MLP层中使用平方ReLU激活。

此外，模型没有偏置项，丢弃率为零，输入输出嵌入不绑定。

模型超参数如表 1 所示，有 94 亿个嵌入参数和 3316 亿个非嵌入参数。

训练

Nemotron-4-340B-Base使用 768 个DGX H100 节点进行训练，每个节点包含 8 个基于NVIDIA Hopper架构的H100 80GB SXM5 GPU。

每个H100 GPU在进行 16 位浮点（BF16）运算时，峰值吞吐量为989 teraFLOP/s（不含稀疏运算）。

英伟达采用了 8 路张量并行、 12 路交错流水线并行和数据并行相结合的方法，并使用了分布式优化器，将优化器状态分片到数据并行副本上，以减少训练的内存占用。

表 2 总结了批大小增加的 3 个阶段，包括每次迭代时间，以及GPU利用率（MFU）等，其中100%是理论峰值。

评估

在这一部分，我们报告了 Nemotron-4-340B-Base 的评估结果。我们将该模型

表 3 是Nemotron-4-340B-Base与Llama-3 70B、Mistral 8x22 和Qwen-2 72B三款开源模型的比较结果。

可以看到，Nemotron-4-340B-Base在常识推理任务以及像BBH这样的流行基准测试中拿下了SOTA，并在MMLU和HumanEval等代码基准测试中位列第二。

对齐

奖励模型构建

奖励模型在模型对齐中起着至关重要的作用，是训练强指令跟随模型时用于偏好排序和质量过滤的重要评判者。

为了开发一个强大的奖励模型，英伟达收集了一个包含10k人类偏好数据的数据集——HelpSteer2。

与成对排名模型不同，多属性回归奖励模型在区分真实有用性和无关伪影（如仅因长度而偏好较长但无用的回复）方面更有效。此外，回归模型在预测细粒度奖励、捕捉相似回复之间的有用性细微差别方面表现更好。

回归奖励模型建立在Nemotron-4-340B-Base模型之上，通过用一个新的奖励「头」替换模型的最终softmax层。

这个「头」是一个线性投影，将最后一层的隐藏状态映射到一个包含HelpSteer属性（有用性、正确性、一致性、复杂性、冗长性）的五维向量。

在推理过程中，这些属性值可以通过加权求和聚合为一个总体奖励。

数据对齐

值得注意的是，在整个对齐过程中，英伟达仅使用了大约20K的人工标注数据，而数据生成管线则生成了用于监督微调和偏好微调的98%以上的数据。

提示生成准备

生成合成提示，是合成数据生成（SDG）的第一步。

这些提示在不同维度上的多样性至关重要，包括任务多样性（如写作、开放问答、封闭问答）、主题多样性（如STEM、人文、日常生活）和指令多样性（如JSON输出、段落数量、是或否回答）。

对此，英伟达使用Mixtral-8x7B-Instruct-v0. 1 作为生成器，分别对这些任务的合成提示进行了生成。

单轮合成提示

为了收集多样化的主题，英伟达先引导生成器输出一组多样化的宏观主题，然后再为每个合成的宏观主题生成相关的子主题。

加上人工收集的，最终得到的主题达到了3K个。

用于合成提示生成的提示如下：

合成指令跟随提示

为了提升对于对齐模型至关重要的指令跟随能力，就需要生成合成的指令跟随提示（例如，「写一篇关于机器学习的文章，你的回答应包含三个段落」）。

具体来说，先随机选择一些合成提示。对于每个合成提示，从「可验证」指令模板中随机生成一个合成指令（例如，「你的回答应包含三个段落」）。然后，使用手动定义的模板将提示和指令连接在一起。

除了单轮指令跟随提示外，英伟达还构建了多轮指令跟随提示，这些指令适用于所有未来的对话（例如「根据以下指令回答问题和所有后续问题：[指令开始]用三个段落回答。[指令结束]」）。

此外，英伟达还构建了第二轮指令跟随提示，可以根据给定的指令修改之前的回答。

合成两轮提示

为了在偏好微调中提高模型的多轮对话能力，英伟达构建了两轮提示来建立偏好数据集。

具体来说，提示包含一个用户问题，一个助手回答，和另一个用户问题，形式为「用户：XXX；助手：XXX；用户：XXX；」。

英伟达从ShareGPT中获取第一个用户提示，并使用中间指令模型生成助手回答和下一轮问题。

真实世界的LMSYS提示

为了更好地模拟真实世界的用户请求，英伟达将LMSYS-Chat-1M中的提示按平衡比例进行组合，并将其分为两个不同的集合，一个用于监督学习，另一个用于偏好学习。

在监督学习部分，英伟达移除了LMSYS中被标记为潜在不安全的提示，以避免引发不良对话。但在偏好学习部分则进行了保留，以便模型能够学习如何区分安全和不安全的响应。

从图 3 中可以看到，合成提示的平均有用性高于LMSYS提示。由于简单提示更容易「有用」，这意味着LMSYS提示比合成单轮提示平均来说更难且更复杂。

合成对话生成

通过监督微调，模型就可以学习到，如何以对话形式与用户互动。

英伟达通过提示指令模型生成基于输入提示的响应，来启动合成对话。

为了培养多轮对话能力，他们把每个对话设计成包含三轮，好让对话流程更加动态、更有互动性。

通过迭代角色扮演，模型会交替模拟助手和用户的角色。

英伟达发现，为了在用户回合中引导所需的行为，就需要提供明确的提示来定义不同的用户个性。

并且，附上对话历史是至关重要的。

他们对用户回合进行了后处理，排除了礼貌陈述（如「谢谢你...」，「当然，我很高兴...」）来模拟真实世界的用户问题。

生成演示数据，是采用的贪婪采样方法。

此外，英伟达会使用Nemotron4-340B-Reward评估对话质量，为每个样本分配一个分数，并过滤掉那些低于预定阈值的样本。

这就提供了额外的质量控制层，保证保留下来的都是高质量数据。

合成偏好数据生成

英伟达使用了10K人工标注的HelpSteer2 偏好数据，来训练Nemotron-4-340B-Reward。

不过，他们还需要具有更广泛提示领域、更高质量响应的偏好数据，这些响应来自顶级的中间模型，并在可能的情况下包含额外的真实信号。

因此，英伟达生成了三元组形式的合成偏好数据（提示，选择的响应，被拒绝的响应）。

生成响应

偏好数据包含合成的单轮提示、指令跟随提示、双轮提示，以及来自真实世界的提示，包括ShareGPT提示、LMSYS提示、GSM8K和MATH训练数据集中的提示。

对于每个提示，英伟达都使用了随机的中间模型生成响应。

通过多个模型生成响应，就能确保偏好数据集具有多样化的响应，以供模型学习。

此外，他们还生成了更具挑战性的合成偏好示例，这些示例是根据MT-Bench从表现最好的模型中多次随机生成的响应，这样就可以进一步提升模型的性能。

以基准真相作为判断标准

对于每个提示给出的多个响应，英伟达都需要对其偏好排序进行判断，并选择出被选中的响应和被拒绝的响应。

一些任务可以使用基准真相（例如GSM8K和MATH训练数据集中的答案）或验证器（例如指令跟随响应可以用 Python程序验证）来评估。

以LLM/奖励模型为裁判

大多数提示，是没有客观答案的。因此，英伟达尝试了以大语言模型为裁判和以奖励模型为裁判。

在第一种情况中，英伟达向裁判的大语言模型提供提示和两个响应，并要求其比较这两个响应。

为了避免位置偏差，他们会交换响应顺序后，再次询问大语言模型。当大语言模型两次判断一致时，就会选出有效的三元组（提示、被选中的、被拒绝的）。

另外，为了进一步探索了以奖励模型为裁判的情况，英伟达要求Nemotron-4-340B-Reward 预测每个（提示、响应）对的奖励，并根据奖励决定偏好排序。

奖励基准得分显示以，奖励模型为裁判的准确性，要高于以大语言模型为裁判。

特别是在Chat-Hard类别中，选择的响应和被拒绝的响应难以区分，以奖励模型为裁判的表现，要远优于以大语言模型为裁判，平均准确率为0. 87 对0.54。

在这个过程中，英伟达注意到：Chat-Hard类别的评分对于合成数据生成中的偏好排序特别重要。

因此，在后来的数据集迭代中，他们转而使用以奖励模型为裁判。

从弱到强的迭代对齐

如前所述，高质量的数据对于模型的对齐至关重要。

在数据合成过程中，需要一个对齐的大语言模型来准确遵循指令。

这就引发了一系列重要的问题：哪个模型最适合作为生成器？生成器的强度与数据质量之间有何关系？如何改进数据生成器？

受到弱到强泛化的启发，英伟达开发了一种新颖的迭代方法，逐步优化数据。这种方法结合了对齐训练与数据合成的优势，使它们能够相互增强，并且持续改进。

图 4 展示了从弱到强的迭代对齐的工作流程。

首先，使用一个初始对齐模型来生成对话和偏好数据。然后，通过监督微调和偏好调优，利用它们对更好的基础模型进行对齐。

有趣的是，英伟达发现，教师模型并不会限制学生模型的上限——

随着基础模型和对齐数据的改进，新对齐的模型能够显著超过初始对齐模型。注意，对齐过程与基础模型的预训练是并行进行的。

在第一次迭代中，英伟达选择了Mixtral-8x7B-Instruct-v0. 1 作为初始对齐模型，因为它是一个具有许可的强大模型。

生成的数据用于训练Nemotron-4-340B-Base的一个中间检查点，称为340B-Interm-1-Base。

值得注意的是，340B-Interm-1-Base的表现优于Mixtral 8x7B基础模型，这反过来使得最终的340B-Interm-1-Instruct模型，能够超过Mixtral-8x7B-Instruct-v0. 1 模型。

这就证明，可以通过弱监督引出模型强大的能力。

在第二次迭代中，英伟达使用生成的340B-Interm-1-Instruct模型，作为新的数据生成器。

由于它比Mixtral-8x7B-Instruct-v0. 1 更强，第二次迭代生成的合成数据质量就更高。

生成的数据用于训练340B-Interm-2-Base模型，使其升级为340B-Interm-2-Chat模型。

这个迭代过程形成了一个自我强化的飞轮效应，改进主要来自两个方面——

(1）当使用相同的数据集时，基础模型的强度直接影响指令模型的强度，基础模型越强，指令模型也越强；

(2）当使用相同的基础模型时，数据集的质量决定了指令模型的效果，数据质量越高，指令模型也越强。

在整个对齐过程中，英伟达进行了多轮数据生成和改进，不断提升模型的质量。

附加数据源

此外，英伟达还结合了多个补充数据集，以赋予模型特定的能力。

主题跟随

主题连贯性和细粒度指令跟随是，指令模型的重要能力。

因此，英伟达结合了CantTalkAboutThis训练集，其中包括了覆盖广泛主题的合成对话，并故意插入干扰回合以分散聊天机器人对主要主题的注意力。

这就能帮助模型，在任务导向的交互中更好地专注于预定的主题。

无法完成的任务

某些任务可能由于需要特定的能力（如互联网访问或实时知识）而无法由模型独立完成。

为减少这种情况下的幻觉，英伟达采用少样本方法，使用人类编写的示例来提示大语言模型生成各种问题。

然后，他们会明确要求大语言模型以拒绝的方式回应，收集这些回应，并将其与相应的问题配对。

这些配对数据就可以用于训练模型，让它们能够更好地处理无法完成的任务。

STEM数据集

Open-Platypus已被证明可以提高STEM和逻辑知识。因此，英伟达将具有许可的子集（如PRM800K、SciBench、ARB 、openbookQA）纳入训练数据中。

基于文档的推理和问答

基于文档的问答是大语言模型的重要用例。

英伟达利用FinQA数据集提高了数值的推理能力，使用人工标注数据提高了上下文问答的准确性，并使用 wikitablequestions数据集，增强了模型对半结构化数据的理解。

函数调用

此外，英伟达还使用了一部分来自Glaive AI的样本，以增强模型在函数调用方面的能力。

对齐算法

分阶段的监督微调

监督微调（Supervised Fine-tuning，SFT）是模型对齐的第一步。

为了改善传统SFT方法存在的缺陷，英伟达设计了一种两阶段的SFT策略，使模型能够依次、有计划地学习不同的行为。

结果显示，这种方法在所有下游任务中都产生了更好的效果。

代码SFT

为了在不影响其他任务的情况下提高编码和推理能力，英伟达选择先在编码数据上进行SFT。

为了获得大量的数据，英伟达开发了一种名为Genetic Instruct的全新方法——通过对进化过程的模拟，利用自我指令和向导编码器突变，从少量高质量种子生成大量合成样本。

过程中，英伟达还引入了一种适应度函数，利用LLM评估生成指令及其解决方案的正确性和质量。

然后，通过这些评估和检查的样本会被添加到种群池中，进化过程会持续进行，直到达到目标种群规模。

最终，经过广泛的去重和过滤后，英伟达保留了大约 80 万条样本用于代码SFT训练。

通用SFT

第二阶段，就是通用SFT了。

这里，英伟达采用的是一个包含 20 万样本的混合数据集。

为了减轻遗忘的风险，数据混合中还包括了前一个代码SFT阶段的2%的代码生成样本。

偏好微调

在完成监督微调后，英伟达继续通过偏好微调来改进模型。

在这个阶段，模型将学习偏好示例，其形式是：提示，选择的响应，被拒绝的响应。

直接偏好优化（DPO）

DPO算法通过优化策略网络，来最大化选择和被拒绝响应之间的隐含奖励差距。

在策略学习区分选择和被拒绝的响应时，可以观察到，随着差距的增加，选择和被拒绝响应的概率都在一致地下降，即使选择的响应是高质量的。

根据经验，当训练时间足够长时，策略网络容易过拟合，一个指标（例如，MT-Bench）的改进通常伴随着其他指标（例如，零样本MMLU）的退化。

为了解决这些问题，英伟达在选择的响应上添加了加权的SFT损失，以补充原始的DPO损失。

额外的SFT损失有助于防止策略网络大幅偏离偏好数据，特别是因为偏好数据不是从参考策略生成的。

为了避免模型学习低质量的选择响应，当没有可用的真实值时，英伟达使用了Nemotron-4-340B-Reward来挑选高质量的选择响应示例。最终，这产生了一个包含 16 万示例的偏好数据集。

奖励感知偏好优化（RPO）

为了解决DPO存在的过拟合问题，英伟达提出了一种新算法——奖励感知偏好优化（RPO）。它尝试使用由策略网络定义的隐含奖励近似奖励差距。

基于此，便得到了一个新的损失函数：

结果显示，随着RPO迭代次数的增加，模型还可以持续地在所有任务上获得提升。

经过三次RPO训练迭代后的检查点，就是最终的Nemotron-4-340B-Instruct。

指令模型评估

自动基准测试

英伟达对Nemotron-4-340B-Instruct进行了全面的自动基准测试评估：

单轮对话：AlpacaEval 2.0 LC和Arena Hard

多轮对话：MT-Bench（GPT-4-Turbo）。需要注意的是，这是原始MT-Bench的修正版本，得分平均要低0. 8 分。

综合基准测试：MMLU（零样本）

数学：GSM8K（零样本）

代码：HumanEval（零样本）和 MBPP（零样本）上的Pass@ 1 得分

指令跟随：IFEval

主题跟随：TFEval

正如表 5 所示，Nemotron-4-340B-Instruct在当前可用的开源模型中表现出色，具备很强的竞争力。

对齐训练包括：代码SFT、通用SFT、DPO和三轮RPO。

表 6 展示了模型最终的成绩，并量化了每个对齐阶段的中间模型的性能：

CodeSFT阶段显著提高了HumanEval得分，从基础模型的57. 3 提升到70.7；

接下来的通用SFT阶段大幅提升了其他类别的准确性，如MT-Bench和MMLU，尽管HumanEval得分略有下降；

DPO阶段进一步提升了大多数指标，但MT-Bench的得分略有下降；

最后的RPO阶段均匀地提升了所有指标。特别是，MT-Bench得分从7. 90 增加到8.22，IFEval Prompt-Strict-Acc的得分从61. 7 增加到79.9。

人类评估

除了自动评估外，英伟达模型进行了人类评估。其中，标注员被提供了 136 个提示，分为 10 个不同的任务类别。

基于「有用性」和「真实性」这两个维度，英伟达详细定义了 5 个质量等级的具体内容，从而在减少了主观性的同时，提升了可靠性。

在标注设计中，每个提示都与固定模型集合中的三个不同响应配对。每个提示的响应顺序是随机的，所有提示和响应都由同一组标注员进行评估。

标注完成后，将评分转换为相对于GPT-4-1106-preview的相对胜/平/负率。

从图 5 中可以看到，除了提取和重写任务外，Nemotron-4-340B-Instruct的胜率与GPT-4-1106-preview相当或更好，特别是在多轮对话中表现出色。

整体来说，Nemotron-4-340B-Instruct的胜：平：负比率为28.19%：46.57%：25.24%。

从表 7 中则可以看到，与GPT-4-1106-preview相比，标注员认为Nemotron-4-340B-Instruct的响应长度更为合适（79.41%对74.02%）。

值得注意的是，这一优势主要来自较低的长/冗长响应率（20.10%对25.74%）。

作者

参考资料：

https://blogs.nvidia.com/blog/nemotron-4-synthetic-data-generation-llm-training/

https://venturebeat.com/ai/nvidias-nemotron-4-340b-model-redefines-synthetic-data-generation-rivals-gpt-4/