YAYI2: 中科闻歌推出的新一代多语言开源大语言模型

RayRay
YAYI2-30B多语言大语言模型开源中文预训练性能提升Github开源项目

YAYI2: 开启多语言大模型新纪元

在人工智能和自然语言处理领域,大语言模型(LLM)的发展日新月异。近日,中科闻歌推出了新一代开源大语言模型YAYI2,为多语言大模型的发展注入了新的活力。YAYI2采用了超过2万亿Tokens的高质量、多语言语料进行预训练,在多项基准测试中展现出卓越性能,为中文大语言模型开源社区的发展做出了重要贡献。

模型概述与特点

YAYI2是一个基于Transformer架构的大语言模型,包括Base和Chat两个版本,参数规模为30B。该模型采用了大规模的多语言语料进行预训练,涵盖中文、英文等十余种常用语言。为了更好地适应通用和特定领域的应用场景,研发团队采用了百万级指令进行微调,并借助人类反馈强化学习(RLHF)方法,使模型与人类价值观更好地对齐。

YAYI2模型架构

YAYI2的一大特色在于其强大的多语言处理能力。研发团队使用500GB高质量多语种语料训练了分词器,采用Byte-Pair Encoding(BPE)算法,词表大小为81920。这不仅提高了模型对多语言的理解和生成能力,还为跨语言应用奠定了基础。

卓越的性能表现

在多个权威基准测试中,YAYI2展现出了优异的性能。研发团队在C-Eval、MMLU、CMMLU、AGIEval、GAOKAO-Bench、GSM8K、MATH、BBH、HumanEval以及MBPP等多个测试集上进行了评估,涵盖了语言理解、学科知识、数学推理、逻辑推理以及代码生成等多个方面。

值得一提的是,YAYI2-30B在多个测试中超越了同等规模的开源模型:

  • 在AGIEval测试中,YAYI2-30B得分62.0,显著高于LLaMA2-34B的43.4分。
  • 在CMMLU测试中,YAYI2-30B以84.0的高分领先,展现出强大的中文理解能力。
  • 在数学推理能力测试GSM8K中,YAYI2-30B得分71.2,超过了Yi-34B的67.6分。
  • 在代码生成任务HumanEval中,YAYI2-30B以53.1的得分遥遥领先,展示了卓越的编程能力。

这些优异的成绩充分证明了YAYI2在多语言处理、知识理解、逻辑推理等方面的全面实力。

开源与生态建设

中科闻歌选择开源YAYI2-30B Base模型,旨在推动中文预训练大模型开源社区的发展。通过开源,YAYI2为研究人员和开发者提供了一个强大的工具,有助于促进大语言模型技术的创新和应用。

YAYI2数据处理流程

为了方便社区使用和二次开发,YAYI2项目提供了详细的使用说明和示例代码。用户可以通过简单的Python代码快速加载模型并进行推理。此外,项目还支持全参数微调和LoRA微调,为不同规模的应用场景提供了灵活的选择。

数据处理与模型训练

YAYI2的成功离不开高质量的训练数据和精心设计的数据处理流程。研发团队构建了一套全方位提升数据质量的处理流水线,包括标准化、启发式清洗、多级去重和毒性过滤四个关键模块。从240TB的原始数据中,最终筛选出10.6TB的高质量数据用于模型训练。

在预训练阶段,YAYI2不仅使用了大量互联网数据,还incorporates了精选的通用数据和领域特定数据,以增强模型的专业知识和技能。数据分布涵盖了社交媒体、新闻、百科、问答、学术文献等多个领域,确保了模型知识的广泛性和多样性。

未来展望与应用前景

YAYI2的发布为中文大语言模型的发展开辟了新的可能性。其强大的多语言处理能力和卓越的性能表现,使其在自然语言理解、知识问答、文本生成、代码编程等多个领域具有广阔的应用前景。

未来,YAYI2团队计划进一步优化模型性能,扩大支持的语言范围,并探索更多垂直领域的应用。同时,通过与开源社区的紧密合作,YAYI2有望在推动大语言模型技术创新和应用落地方面发挥更大的作用。

结语

YAYI2的推出标志着中国在大语言模型领域取得了重要进展。作为一个开源项目,YAYI2不仅为研究人员和开发者提供了宝贵的资源,也为推动人工智能技术的民主化和普及做出了重要贡献。随着更多开发者和企业加入YAYI2生态系统,我们有理由期待看到更多基于该模型的创新应用和突破性成果。

YAYI2的成功再次证明,开源合作是推动技术进步的重要力量。通过开放共享、协作创新,我们能够共同构建更加智能、更具包容性的人工智能未来。让我们共同期待YAYI2在未来带来的无限可能!

YAYI2 GitHub仓库

YAYI2 技术报告

编辑推荐精选

AEE

AEE

AI Excel全自动制表工具

AEE 在线 AI 全自动 Excel 编辑器,提供智能录入、自动公式、数据整理、图表生成等功能,高效处理 Excel 任务,提升办公效率。支持自动高亮数据、批量计算、不规则数据录入,适用于企业、教育、金融等多场景。

UI-TARS-desktop

UI-TARS-desktop

基于 UI-TARS 视觉语言模型的桌面应用,可通过自然语言控制计算机进行多模态操作。

UI-TARS-desktop 是一款功能强大的桌面应用,基于 UI-TARS(视觉语言模型)构建。它具备自然语言控制、截图与视觉识别、精确的鼠标键盘控制等功能,支持跨平台使用(Windows/MacOS),能提供实时反馈和状态显示,且数据完全本地处理,保障隐私安全。该应用集成了多种大语言模型和搜索方式,还可进行文件系统操作。适用于需要智能交互和自动化任务的场景,如信息检索、文件管理等。其提供了详细的文档,包括快速启动、部署、贡献指南和 SDK 使用说明等,方便开发者使用和扩展。

Wan2.1

Wan2.1

开源且先进的大规模视频生成模型项目

Wan2.1 是一个开源且先进的大规模视频生成模型项目,支持文本到图像、文本到视频、图像到视频等多种生成任务。它具备丰富的配置选项,可调整分辨率、扩散步数等参数,还能对提示词进行增强。使用了多种先进技术和工具,在视频和图像生成领域具有广泛应用前景,适合研究人员和开发者使用。

爱图表

爱图表

全流程 AI 驱动的数据可视化工具,助力用户轻松创作高颜值图表

爱图表(aitubiao.com)就是AI图表,是由镝数科技推出的一款创新型智能数据可视化平台,专注于为用户提供便捷的图表生成、数据分析和报告撰写服务。爱图表是中国首个在图表场景接入DeepSeek的产品。通过接入前沿的DeepSeek系列AI模型,爱图表结合强大的数据处理能力与智能化功能,致力于帮助职场人士高效处理和表达数据,提升工作效率和报告质量。

Qwen2.5-VL

Qwen2.5-VL

一款强大的视觉语言模型,支持图像和视频输入

Qwen2.5-VL 是一款强大的视觉语言模型,支持图像和视频输入,可用于多种场景,如商品特点总结、图像文字识别等。项目提供了 OpenAI API 服务、Web UI 示例等部署方式,还包含了视觉处理工具,有助于开发者快速集成和使用,提升工作效率。

HunyuanVideo

HunyuanVideo

HunyuanVideo 是一个可基于文本生成高质量图像和视频的项目。

HunyuanVideo 是一个专注于文本到图像及视频生成的项目。它具备强大的视频生成能力,支持多种分辨率和视频长度选择,能根据用户输入的文本生成逼真的图像和视频。使用先进的技术架构和算法,可灵活调整生成参数,满足不同场景的需求,是文本生成图像视频领域的优质工具。

WebUI for Browser Use

WebUI for Browser Use

一个基于 Gradio 构建的 WebUI,支持与浏览器智能体进行便捷交互。

WebUI for Browser Use 是一个强大的项目,它集成了多种大型语言模型,支持自定义浏览器使用,具备持久化浏览器会话等功能。用户可以通过简洁友好的界面轻松控制浏览器智能体完成各类任务,无论是数据提取、网页导航还是表单填写等操作都能高效实现,有利于提高工作效率和获取信息的便捷性。该项目适合开发者、研究人员以及需要自动化浏览器操作的人群使用,在 SEO 优化方面,其关键词涵盖浏览器使用、WebUI、大型语言模型集成等,有助于提高网页在搜索引擎中的曝光度。

xiaozhi-esp32

xiaozhi-esp32

基于 ESP32 的小智 AI 开发项目,支持多种网络连接与协议,实现语音交互等功能。

xiaozhi-esp32 是一个极具创新性的基于 ESP32 的开发项目,专注于人工智能语音交互领域。项目涵盖了丰富的功能,如网络连接、OTA 升级、设备激活等,同时支持多种语言。无论是开发爱好者还是专业开发者,都能借助该项目快速搭建起高效的 AI 语音交互系统,为智能设备开发提供强大助力。

olmocr

olmocr

一个用于 OCR 的项目,支持多种模型和服务器进行 PDF 到 Markdown 的转换,并提供测试和报告功能。

olmocr 是一个专注于光学字符识别(OCR)的 Python 项目,由 Allen Institute for Artificial Intelligence 开发。它支持多种模型和服务器,如 vllm、sglang、OpenAI 等,可将 PDF 文件的页面转换为 Markdown 格式。项目还提供了测试框架和 HTML 报告生成功能,方便用户对 OCR 结果进行评估和分析。适用于科研、文档处理等领域,有助于提高工作效率和准确性。

飞书多维表格

飞书多维表格

飞书多维表格 ×DeepSeek R1 满血版

飞书多维表格联合 DeepSeek R1 模型,提供 AI 自动化解决方案,支持批量写作、数据分析、跨模态处理等功能,适用于电商、短视频、影视创作等场景,提升企业生产力与创作效率。关键词:飞书多维表格、DeepSeek R1、AI 自动化、批量处理、企业协同工具。

下拉加载更多