StableLM 一直致力于小模型（从7B、3B 到 1.6B），不过 License 商用有些限制，H2O-Danube 是 Apache2.0 的小模型（1.8B），整体指标略逊于 StableLM。本文通过这两篇 Paper，记录小模型的预训练。

模型架构

都是 Decoder Only 的。

Danube 主要是 Llama2 + Mistral，具体来说：

• Sliding window，窗口大小 4096，这个是来自 Mistral 的 Local Attention。
• RoPE，苏神的旋转位置编码，以绝对位置编码相对位置信息。
• GQA：省内存的，kv heads 为 8，Attention heads 为 32。
• RMSNorm，无 bias Linear，不 tie 词向量。

可以看到，除了 Sliding window，基本和 Llama2 是一样的。

Stable LM 也是基于 Llama 的（用的是 GPT-NeoX 库），具体来说：

• RoPE 应用前 25% 的 Head embedding（每个 Head 的前 25% 个维度，q 和 k 在应用 RoPE 前 Hidden 维度上取前 25%）。
• LayerNorm。
• FFN 和 Attention 的 output 无 bias，但是 qkv 有。

模型配置对比如下。

	Stable LM	H2O-Danube
Hidden Size	2048	2560
Intermediate Size	5632	6912
Hidden Layers	24	24
Heads	32	32/8
Sequence Length	4096	16384
Vocab Size	100352	32000
Parameters	1644515328	1831201280

没想到模型细节居然相差这么多，Stable LM 的配置相对陈旧一些，Danube 基本都是最新的配置，看起来应该跟 SOTA 一些，不过居然没打过。模型配置上的差别已经这么小了吗。。

训练过程

基本都是三阶段：预训练、SFT、DPO。Danube 的技术报告里提到一些细节，如下。

• 预训练
  • FFN 和 Attention 里所有的 Linear 都搞成 FP8，lm_head 保持 BF16。
  • AdamW β1=0.9，β2=0.95。
  • Cosine LR scheduler，Warmup 2.36B tokens 到 2e-4，然后 decay 到 1e-5。
  • Weight decay=0.1，Gradient clipping=1.0。
• SFT
  • 1 Epoch with Batch Size=8
  • LR=1e-5 with Short warmup + Cosine LR scheduler
• DPO（两轮）
  • LoRA with r = 4, alpha =16
  • 1 Epoch with BatchSize=2
  • LR=1e-5/3e-6（第一轮/第二轮） + Cosine LR scheduler
  • DPO beta = 0.2

Stable LM 虽然没有相关 Paper，不过预训练使用的是 EleutherAI/gpt-neox，SFT 用的是内部脚本，DPO 则采用了 Huggingface 的对齐库：alignment-handbook。

根据之前经验，这个训练过程基本也是比较成熟了，或者说，成熟的参数（比如 AdamW）比较稳定，其他的就看具体需要来配置了。

评测情况

我们看下 Danube 给出的测评结果，先看在 Open LLM Leaderboard 上的效果。

上面是预训练后的结果，Danube 没有用数学相关数据集，结果 GSM 很差，去除该数据集，比 Qwen 和 Stable LM 略差一些。

上面是最终模型效果，GSM 因为用了数学数据所以上升了，整体比 Stable LM 略差一些，比 Qwen 稍好一点。

另外，额外看一下预训练后的模型在常识推理、世界知识和阅读理解 Benchmark 上的测评情况。

这个结果和前面的差不多，但重点关注一下 Token 数。考虑到几个模型用到的数据集都差不多（开源数据集），这在一定程度上进一步验证了 Scale Law。

关于小模型

根据笔者的实际经验，7B 级别的模型的理解能力就比较弱了，如果把 7B 这个级别看作 base 版，那本文讨论的就是 tiny 版了。按这个标准看，tiny 版的基本属于弱智了，我们可以理解为依然在 BERT 时代的套路上，这个级别的模型可以认为并没有理解能力。

那我们是否有必要关注小模型呢？笔者觉得，如果从业务使用的角度来看，只要有效的方法就是好方法，这自然包括小模型。至于业务场景，常见的依然是自然语言生成方面的任务，比如文字创作、文本续写、润色修改、生成式摘要、对话、问答等。

那为什么在大模型时代之前，自然语言生成的效果比较差呢。笔者觉得主要有两个方面原因。第一，原来的模型并没有做现在这样的指令对齐操作，这就导致模型不能理解指令。从使用者的角度来看，能理解指令自然感觉上“聪明”一些，谁会去关心它为什么聪明或不聪明呢。第二，原来的模型更没有偏好对齐操作，也就是说，生成的内容层次不齐（从那个时代过来的、做过生成式任务的读者应该深有感触），这就使得它很难在产品中大量使用。所以，当时可控生成这个领域很火，是一个专门的主题。经过偏好对齐后，模型基本上都能生成还不错的内容，还是从使用者的角度看，就会从直觉上感觉这模型不错。这里面有一点需要特别说明，其实小模型即使经过 SFT 和 DPO 之后，在某些方面依然不行，但它在训练过的数据上还行。而训练数据涵盖的比较全面，这就导致了一般人使用时都会觉得不错，因为一般人能想到的范围都已经被模型数据覆盖了。感兴趣的读者不妨挑一个 7B 的模型在私有数据上进行测试，你会发现它在很多时候都不尽如人意。

这也是为什么现在越来越多的研究和模型在关注 SFT 数据的准备，甚至为了让其具备推理能力而增加很多带推理步骤的数据。虽然在笔者看来，SFT 其实没有什么新意，但它确实能最直接的产生效果。有监督训练嘛，数据质量决定模型上限，rubbish 进 rubbish 出。这也就是咱们刚刚提到的，用户并不关心你怎么做到的，他们只关心你做到了什么。

从笔者的角度看，大模型最值得关注的就是两个方面。第一个就是涌现现象，它不仅仅是一个现象，更与语言、思维、认知有关，它是大模型之所以如此火的根本所在。第二个就是笔者一直关注强调的强化学习的应用，比如这篇几年前写的文章：NLP与AI。强化学习本质是在学习规则，而我们的语言（包括整个世界）中就有很多内在的规则，这些规则就像经络一样，看不见但却在底层默默发挥着作用。除此之外，另外比较好玩儿和有意思的方向是量化推理部署，这个大多是工程实践，但能看到非常多精妙的优化。

小结

本文对两个代表的小模型进行了梳理对比，虽然之前没怎么关注过这个方面，但结果和预期的基本差不多，小模型还是更趋向于业务实际应用。有没有前途？有的！主要从两个角度考虑：第一，端侧推理的需要，尤其是没有网络的环境，“小”（动词）模型几乎是必经之路；第二，多 Agent 智能，多个能完成简单功能的小模型组合成复杂的系统。其实第二个笔者觉得更值得去探索，从多个组合到复杂系统，这中间有相当多值得探索的地方。不过笔者觉得这个方向会更加关注 “组合”，而不是 “小模型”，“小模型” 只是方法，有机 “组合” 才是目的。