ChatGPT开源平替——OpenChatKit（前OpenAI团队打造）

ChatGPT开源平替——OpenChatKit（前OpenAI团队打造）

OpenChatKit是一个由前OpenAI研究员共同打造的开源聊天机器人平台。它包含了训练好的大型语言模型、定制配方和可扩展的检索系统，可以帮助用户快速构建高精度、多功能的聊天机器人应用。

其中，最核心的组件是一个经过微调的、具有200亿参数的语言模型——GPT-NeoXT-Chat-Base-20B。这个模型基于EleutherAI的GPT-NeoX模型，重点调整了多轮对话、问答、分类、提取和摘要等多项任务，并使用了4300万条高质量指令进行训练。这使得OpenChatKit在处理聊天对话时可以提供高精度、流畅的回答。

除此之外，OpenChatKit还提供了定制配方的功能，可以帮助用户根据自己的数据集微调模型，以提高模型在特定任务上的表现。另外，该平台还提供了可扩展的检索系统，可以从文档存储库、API或实时更新信息源等多个来源中检索信息，以提供更全面的回答。

OpenChatKit详细介绍

OpenChatKit是一款开源的聊天工具包，由前OpenAI研究员和Together Computer共同开发。该工具包包含了一个200亿参数的大型语言模型、定制配方和可扩展的检索系统，可帮助用户构建高效的聊天机器人和对话系统。

200亿参数的语言模型

OpenChatKit的核心是一个200亿参数的语言模型，使用了EleutherAI的GPT-NeoX-20B进行微调，以实现更高效的对话和任务处理。该模型在100%碳负载计算上进行了4300万条指令的微调，着重于多轮对话、问答、分类、提取和摘要等多个任务。这样的微调可使模型更好地适应用户需求，并提供更准确的回答。

定制配方

除了强大的语言模型，OpenChatKit还提供了定制配方，可帮助用户调整模型以满足特定的任务需求。用户只需准备自己的数据集，并使用OpenChatKit的配方来微调模型即可获得高精度的结果。这样的配方可帮助用户快速构建自己的聊天机器人和对话系统，提高对话效率和准确度。

可扩展的检索系统

OpenChatKit还提供了一个可扩展的检索系统，可帮助用户从文档存储库、API或其他实时更新信息源中添加信息。这样的检索系统可使机器人更加智能，能够从更多的信息中获取答案，并提供更加准确的回答。

模型优点

• 多轮对话：OpenChatKit的语言模型可进行多轮对话，并能够在多次对话中保持上下文，并根据用户的需求提供相应的回答。

• 问答：OpenChatKit的语言模型可对问题进行答复，并可基于文档或数据集提供更加准确的答案。

• 分类：OpenChatKit的语言模型可对文本进行分类，并可用于情感分析、主题分类和意图识别等任务。

• 提取：OpenChatKit的语言模型可从文本中提取结构化信息，并可用于自然语言生成和自动摘要等任务。

• 多语言支持：OpenChatKit的语言模型可支持多种语言，可应用于不同国家和地区的聊天机器人和对话系统。

• 高效的微调：OpenChatKit的定制配方可使用户快速微调模型，提高对话效率和准确度。

训练细节

OpenChatKit的训练细节包括硬件、优化器、梯度累积、批次和学习率等参数设置。

• 硬件
  OpenChatKit的模型训练使用了2 x 8 x A100 GPU的硬件配置。

• 优化器
  在优化器方面，OpenChatKit采用了8bit-AdamW。8-bit训练是一种使用低位精度进行训练的技术，它可以提高模型的训练速度和内存效率。AdamW是Adam算法的一个变种，它使用L2正则化来更新权重，可以帮助模型更好地避免过拟合。

• 梯度累积
  为了能够训练更大的批次，OpenChatKit使用了梯度累积技术，将多个小批次的梯度相加后再更新模型参数。在训练过程中，OpenChatKit采用了2次梯度累积。

• 批次
  OpenChatKit使用了一个相对较大的批次大小，每个批次包含2 x 2 x 64 x 2048 = 524,288个标记。这可以帮助模型更好地利用硬件资源，提高训练速度和效率。

• 学习率
  在学习率方面，OpenChatKit采用了一种温和的预热策略，将学习率逐步增加到1e-6，预热期为100个步骤，之后保持不变。这种策略可以帮助模型更好地适应训练数据，避免在训练初期发生梯度爆炸或消失等问题。

通过这些参数设置，OpenChatKit能够在大规模数据上进行高效、准确的模型训练，从而为用户提供更好的聊天体验和更多的应用场景。

github介绍

OpenChatKit是一个强大的开源工具，为不同应用提供专门或通用的聊天机器人的创建基础。该工具包包括一个经过调整的、拥有200亿参数的语言模型、一个拥有60亿参数的模型以及一个可扩展的检索系统，可以包括来自自定义库的最新响应。它是在Together、LAION和Ontocord.ai合作的OIG-43M训练数据集上训练的。这不仅是一个模型发布，而且是一个开源项目的开始。我们发布了一组工具和流程，以进行社区贡献的持续改进。

在这个项目中，你可以找到以下内容的代码：

• 训练OpenChatKit模型
• 使用模型进行推理测试
• 使用检索索引扩展模型

在开始之前，你需要安装PyTorch和其他依赖项。

OpenChatKit的基础模型是GPT-NeoXT-Chat-Base-20B，它是GPT-NeoX的一个 fine-tuned 版本，用于对话数据集。我们在Huggingface上发布了该模型的预训练权重togethercomputer/GPT-NeoXT-Chat-Base-20B。

该聊天模型是在LAION、Together和Ontocord.ai创建的OIG数据集上进行训练的。你可以通过在repo的根目录下运行以下命令从Huggingface下载该数据集：

python data/OIG/prepare.py

在训练之前，你需要从Eleuther AI下载GPT-NeoX-20B，并将其准备好进行微调。在repo的根目录下，运行以下命令：

python pretrained/GPT-NeoX-20B/prepare.py

为了微调GPT-NeoXT-Chat-Base-20B，你可以使用 training/finetune_GPT-NeoXT-Chat-Base-20B.sh 脚本来配置和运行训练循环。在下载数据集和基础模型之后，运行以下命令：

bash training/finetune_GPT-NeoXT-Chat-Base-20B.sh

默认情况下，训练脚本只是打印损失，但它也可以使用loguru输出指标或将其报告给Weights & Biases。

你可以使用以下命令将权重转换为Huggingface格式，以便使用该模型执行推理：

mkdir huggingface_models && python tools/convert_to_hf_gptneox.py --ckpt-path model_ckpts/GPT-Neo-XT-Chat-Base-20B/checkpoint_5 --save-path /huggingface_models/GPT-NeoXT-Chat-Base-20B --n-stages 8 --n-layer-per-stage 6

为了测试该模型，OpenChatKit提供了一个简单的命令行测试工具来与机器人进行交互。你可以通过以下命令来启动测试工具：

python inference/bot.py

如果要从Huggingface仓库加载基础模型，可以使用以下命令：

python inference/bot.py --model togethercomputer/GPT-NeoXT-Chat-Base-20B

OpenChatKit还提供了一个检索增强模型的实验性功能，可使用维基百科索引查询。你可以通过以下命令来下载维基百科索引：

python data/wikipedia-3sentence-level-retrieval-index/prepare.py

在启动检索增强模型之前，你需要使用以下命令启动OpenChatKit测试工具：

python inference/bot.py --retrieval

当模型和索引加载完毕后，所有查询都将与额外的上下文进行增强。

总之，OpenChatKit是一个非常有用的开源工具，可以帮助你快速创建不同类型的聊天机器人，并提供各种训练和测试工具。它是一个活跃的开源项目，社区可以不断改进它。