大语言模型推进了自然语言处理的最先进水平。然而，它们的主要设计针对英语或有限的一组语言，这在它们对资源匮乏的语言的有效性方面造成了巨大的差距。为了弥补这一差距，慕尼黑大学、赫尔辛基大学等研究人员联合开源了 MaLA-500，旨在涵盖广泛的 534 种语言。
MaLA-500 基于 LLaMA 2 7B 构建，再用多语言数据集 Glot500-c 进行语言扩展训练。研究人员在 SIB-200 上的实验结果表明，MaLA-500 已经实现了最先进的上下文学习结果。
Glot500-c 包含了 534 种语言，涵盖 47 种不同种族语言，数据量高达2万亿tokens。研究人员表示，选择 Glot500-c 数据集的原因在于可以大幅扩展现有语言模型的语言覆盖范围，并包含极其丰富的语言家族，这对于模型学习语言内在的语法和语义规律帮助巨大。
此外，虽然一些高资源语言的比例相对较低，但 Glot500-c 的整体数据量对训练大规模语言模型而言足够用。在后续的预处理中，又对语料数据集进行了加权随机采样，以增加低资源语言在训练数据中的比例，让模型更加聚焦特定语言。
在 LLaMA 2-7B 基础之上，MaLA-500 进行了两大技术点创新：
- 增强词汇表，研究人员通过Glot500-c数据集，训练了一个多语言分词器,将LLaMA 2的原英文词汇表扩展到了260万,大幅增强了模型对非英语和低资源语言的适配能力。
![]()
- 模型增强，使用了LoRA技术在LLaMA 2的基础上进行低秩适配。只训练适配矩阵而冻结基础模型权重,可以高效地实现模型在新语言上的持续学习能力，同时保留模型原有的知识。
训练流程
训练方面，研究人员用了24张N卡A100 GPU进行训练，并使用了包括Transformers、PEFT和DeepSpeed三个主流深度学习框架。
其中,DeepSpeed提供了分布式训练的支持,可以实现模型并行;PEFT实现了高效的模型微调;Transformers提供了模型功能的实现，例如，文本生成、提示词理解等。
为了提升训练的高效性，MaLA-500还使用了各种显存和计算优化算法,如ZeRO冗余优化器,可最大化利用GPU算力资源;以及混合精度训练的bfloat16数格式加速训练流程。
此外，研究人员还对模型参数进行了大量优化，使用了学习率为2e-4的常规SGD训练,并使用了0.01的L2权重衰减以防止模型过大，出现过拟合、内容输出不稳定等情况。
![]()
为了测试MaLA-500的性能，研究人员在SIB-200等数据集上进行了综合实验。
结果显示，相比原始LLaMA 2模型,MaLA-500在主题分类等评测任务上的准确率提高了12.16%，这说明MaLA-500的多语言优于，现有的众多开源大语言模型。
更多详情可查看完整论文。
