158 lines
5.7 KiB
Markdown
158 lines
5.7 KiB
Markdown
---
|
||
license: apache-2.0
|
||
language:
|
||
- zh
|
||
tags:
|
||
- pretrained
|
||
- olmo3
|
||
- chinese
|
||
- continue-pretrain
|
||
- mid-training
|
||
library_name: transformers
|
||
pipeline_tag: text-generation
|
||
base_model: allenai/Olmo-3-1025-7B
|
||
datasets:
|
||
- openbmb/Ultra-FineWeb
|
||
- opencsg/chinese-cosmopedia
|
||
- wikimedia/wikipedia
|
||
---
|
||
|
||
# OLMo3-190M-zh-v3.1
|
||
|
||
**中文 continue-pretrain 教学模型**，基于 OLMo3-190M 架构，在 v3 (from-scratch pretrain) 之上注入 **事实密度高的中文语料**（Wikipedia-zh + Cosmopedia-Chinese）。
|
||
|
||
> **活水 42ailab 出品**。配套于《零基础 AI 大模型研发训练营》第 04 讲：预训练。
|
||
|
||
## 来源与动机
|
||
|
||
v3.1 的目标是**验证 continue pretrain 这个工业级技术**：在已有 base model 上继续训练 1-2B tokens，以低成本（**~$14 / 3h H100**）改善特定能力。
|
||
|
||
**对比 v3（原 base）→ v3.1 的 7-prompt 抽测**：
|
||
|
||
| Prompt | v3 | v3.1 | 变化 |
|
||
|---|---|---|---|
|
||
| 人工智能是 | 🟢 | 🟢 | 持平 |
|
||
| 北京大学位于 | 🔴 "江苏省" | 🟢 **"北京市"** | ✅ 关键质变 |
|
||
| Python 是一种 | 🔴 "开源库" | 🟡 "开源的可扩展代码" + 能写代码 | ✅ 改善 |
|
||
| 中国古代四大发明是 | 🔴 | 🔴 | 持平（190M 物理天花板）|
|
||
| 其他 3 个 | 🟡×3 | 🟡×3 + 1 退步 | — |
|
||
| **合计** | **1🟢 3🟡 3🔴** | **2🟢 3🟡 2🔴** | **+1 绿** |
|
||
|
||
关键 takeaways：
|
||
- ✅ **事实密度策略有效**：wiki + Cosmopedia 让"北京大学"跨过了 190M 模型的记忆阈值。
|
||
- ⚠️ **190M 参数有记忆天花板**："四大发明"即便在语料中存在，曝光次数不够就学不会。
|
||
- ⚠️ **未清洗的 Wiki 会引入格式污染**：红楼梦 prompt 出现"林黛玉、林黛玉、林黛玉的妹妹"重复——已作为 v4 必修项。
|
||
|
||
## 架构
|
||
|
||
基于 **OLMo3-190M canonical** 架构（和 allenai/Olmo-3 同宗，但从零训练 + continue pretrain）：
|
||
|
||
| 字段 | 值 |
|
||
|---|---|
|
||
| `architectures` | `["Olmo3ForCausalLM"]` |
|
||
| `hidden_size` | 768 |
|
||
| `num_hidden_layers` | 12 |
|
||
| `num_attention_heads` | 12 |
|
||
| `intermediate_size` | 3072 |
|
||
| `sliding_window` | 4096 (每 4 层 full attention) |
|
||
| `vocab_size` | 48000 (自训 48k 中文 BPE) |
|
||
| `max_position_embeddings` | 4096 |
|
||
| `total params` | ~187M |
|
||
|
||
## 使用
|
||
|
||
### 最简用法（路径 A）
|
||
```python
|
||
from transformers import AutoModelForCausalLM, AutoTokenizer
|
||
|
||
tok = AutoTokenizer.from_pretrained("42ailab/OLMo3-190M-zh-v3.1")
|
||
model = AutoModelForCausalLM.from_pretrained("42ailab/OLMo3-190M-zh-v3.1")
|
||
|
||
inputs = tok("北京大学位于", return_tensors="pt")
|
||
outputs = model.generate(**inputs, max_new_tokens=50, temperature=0.8, top_p=0.9)
|
||
print(tok.decode(outputs[0], skip_special_tokens=True))
|
||
```
|
||
|
||
### 用于 SFT（推荐用法，L05 课程路径）
|
||
v3.1 是 **base model**，没有对话能力。上 SFT 就是：
|
||
```python
|
||
from transformers import AutoModelForCausalLM
|
||
# 作为 SFT 基座
|
||
model = AutoModelForCausalLM.from_pretrained("42ailab/OLMo3-190M-zh-v3.1")
|
||
# ... 用 TRL SFTTrainer 训练
|
||
```
|
||
|
||
### 国内加速
|
||
```bash
|
||
export HF_ENDPOINT=https://hf-mirror.com
|
||
# 或用 ModelScope：https://modelscope.cn/models/42ailab/OLMo3-190M-zh-v3.1
|
||
```
|
||
|
||
## 训练配方
|
||
|
||
### 数据混合（1.19B tokens effective）
|
||
|
||
| 数据源 | HF 路径 | tokens | % |
|
||
|---|---|---|---|
|
||
| v3 replay | 自 merged_raw 抽样 30% | 300M | 27% |
|
||
| Wikipedia-zh | `wikimedia/wikipedia` config `20231101.zh` | 394M | 35% |
|
||
| Cosmopedia-Chinese | `opencsg/chinese-cosmopedia` | 500M | 45% |
|
||
|
||
（原计划加入 `bigcode/the-stack-v2` 代码和 `liwu/MNBVC` 事实补刀，但两者在 HF datasets 3.0+ 中因 script-based loading 失效。v4 会用 Parquet-native 替代。）
|
||
|
||
### 超参
|
||
- Base: v3 final checkpoint
|
||
- Peak lr: **2e-4**（v3 peak 5e-4 的 2/5）
|
||
- Warmup: **500 steps** 显式（从 ~0 线性爬升）
|
||
- Scheduler: cosine decay to 2e-5
|
||
- Batch: 16 × 2048 × grad_accum 8 = **262K tokens/step**
|
||
- Max steps: 5700
|
||
- Duration: **3h 00min** on H100
|
||
- Attention: **SDPA**（OLMo3 SWA + flash-attn-2 有 `s_aux` None bug，continue pretrain 场景必须 SDPA）
|
||
|
||
### Loss 轨迹
|
||
| step | train loss |
|
||
|---|---|
|
||
| 0 | 3.33 |
|
||
| 500 (warmup done) | 2.97 |
|
||
| 1500 | 2.87 |
|
||
| 3000 | 2.81 |
|
||
| 4500 | 2.80 |
|
||
| 5700 (final) | **2.85 mean** |
|
||
|
||
对比 v3 final mean loss **3.95** → v3.1 **-28%**。
|
||
|
||
## 限制
|
||
|
||
1. **事实记忆上限**：190M 参数约能稳定记住 ~1000-2000 个事实。"四大发明"等低曝光事实仍会错。
|
||
2. **无 code 数据**：Stage-2 计划中的代码数据源因 HF gated / script-based 问题未加入。"Python 是编程语言"仍偶有漂移。
|
||
3. **未做 SFT**：v3.1 是纯 base model，不会对话。对话任务需额外做 SFT。
|
||
4. **eval 数字偏乐观**：训练时 eval/loss = 2.00 是在 in-domain 数据上算的（wiki + Cosmopedia 尾部），不能直接对比 v3 的 3.61 held-out eval。
|
||
|
||
## License
|
||
|
||
- **模型权重**：Apache-2.0（允许商用）
|
||
- **训练数据**：混合 license
|
||
- FineWeb-Edu-Chinese V2.2、Ultra-FineWeb、Cosmopedia-Chinese：Apache-2.0
|
||
- **Wikipedia-zh**：**CC-BY-SA-3.0 + GFDL**（share-alike 传染性，商用前请咨询法律）
|
||
|
||
按 Allen AI OLMo 社区实践：权重本身声明 Apache-2.0，但披露训练数据含 CC-BY-SA 内容。
|
||
|
||
## Citation
|
||
|
||
```bibtex
|
||
@misc{huoshui-olmo3-190m-zh-v3.1,
|
||
title={OLMo3-190M-zh-v3.1: Chinese Continue-Pretrained Teaching Model},
|
||
author={活水 AI 实验室 (42ailab) and 阳志平},
|
||
year={2026},
|
||
howpublished={\url{https://huggingface.co/42ailab/OLMo3-190M-zh-v3.1}},
|
||
note={LLM001 Course, Lecture 04}
|
||
}
|
||
```
|
||
|
||
## 配套资源
|
||
|
||
- **数据集**：[`42ailab/llm101-v3.1-data`](https://huggingface.co/datasets/42ailab/llm101-v3.1-data) — tokenizer + tokenized.bin + nano 子集 + 7-prompt 评测对照
|
||
- **课程仓库**：https://cnb.cool/42edu/LLM001/llm001
|
||
- **讲师笔记**：`demo/ch04/OLMo3-190M-zh-v3.1/teaching_notes.md`
|