# DeepSeek LLM：以长期主义扩展开源语言模型

> **原文标题**：DeepSeek LLM: Scaling Open-Source Language Models with Longtermism
> **arXiv**：[2401.02954](https://arxiv.org/abs/2401.02954) ｜ **发布**：2024 年 1 月 5 日（v1）
> **作者/机构**：DeepSeek-AI（Xiao Bi、Deli Chen、Guanting Chen 等，按姓氏字母序排列；DeepSeek 深度求索）
> **原文 PDF**：[01-DeepSeek-LLM-2401.02954.pdf](./01-DeepSeek-LLM-2401.02954.pdf)

## 一、摘要（全文翻译）

开源大语言模型（Large Language Models, LLMs）的快速发展确实令人瞩目。然而，以往文献中所描述的缩放定律（scaling laws）给出了各不相同、彼此矛盾的结论，这为扩展大语言模型蒙上了一层阴影。

我们深入研究缩放定律，并给出了我们独特的发现，这些发现有助于以两种当前被广泛使用的开源配置——7B 与 67B——来扩展大规模模型。

在缩放定律的指导下，我们提出了 DeepSeek LLM，这是一个以长期视角（long-term perspective）致力于推进开源语言模型的项目。为支撑预训练阶段，我们构建了一个目前包含 2 万亿（2 trillion）token 且仍在持续扩充的数据集。我们进一步在 DeepSeek LLM Base 模型上开展有监督微调（Supervised Fine-Tuning, SFT）与直接偏好优化（Direct Preference Optimization, DPO），由此得到 DeepSeek Chat 模型。

我们的评估结果表明，DeepSeek LLM 67B 在一系列基准上超越了 LLaMA-2 70B，尤其是在代码、数学与推理等领域。此外，开放式评估（open-ended evaluation）显示，我们的 DeepSeek LLM 67B Chat 相比 GPT-3.5 展现出更优的表现。

## 二、核心贡献

1. **超参数缩放定律（Scaling Laws for Hyperparameters）**：为批大小（batch size）与学习率建立关于算力预算 $C$ 的幂律关系式，保证不同预算下的模型都落在近最优区间——解决早期工作未交代超参数、无法确认各预算模型是否最优的隐患。
2. **提出新的模型规模表示 $M$**：以非嵌入 FLOPs/token 取代参数量 $N$，把粗糙的 $C=6ND$ 换成 $C=MD$，使模型/数据最优分配与大规模模型泛化损失预测更准（旧表示在小模型上误差可达 50%）。
3. **揭示数据质量会改变最优分配策略**：数据质量越高，新增算力应越多投向模型而非数据，并把分配系数的差异反过来当作评估数据质量的手段——这可能是各研究缩放结论矛盾的根因。
4. **从零训练并开源 DeepSeek LLM 7B / 67B**：在 2 万亿中英双语 token 上预训练，微调数据约 150 万条；67B 在代码、数学、推理及中文基准上超越 LLaMA-2 70B。
5. **对齐流程与开放域表现**：SFT + DPO 得到的 DeepSeek 67B Chat 在中文 AlignBench 上超过 ChatGPT、仅次于两版 GPT-4；英文 MT-Bench 上 DPO 版达 8.76。
6. **工程经验与反「刷榜」立场**：公开两阶段微调、多选数据注入、系统提示（system prompt）缩放效应等发现，并拒绝为提高榜单分数注入多选数据。

## 三、方法与技术要点

### 3.1 数据：去重、过滤、重混与分词器

数据构建分三步：**去重（deduplication）、过滤（filtering）、重混（remixing）**。去重的痛点是只在单个 dump 内去重会遗留大量跨 dump 重复，因此作者把范围扩大到整个 Common Crawl：跨 91 个 dump 统一去重时去重率达 89.8%，而单 dump 仅 22.2%，前者消除的文档量是后者的四倍。过滤阶段从语言与语义两个层面建立质量评估标准，兼顾个体与全局视角以提升信息密度；重混阶段针对数据不平衡，加大代表性不足领域的采样比重。

分词器采用基于 tokenizers 库的字节级字节对编码（Byte-level BPE, BBPE），并像 GPT-2 一样做预分词，避免换行、标点与中日韩（CJK）符号等不同字符类别之间的 token 合并；数字按 LLaMA 做法拆成单个数字位。常规词表规模设为 100000，在约 24 GB 多语种语料上训练，另加 15 个特殊 token 共 100015；模型实际词表配置为 102400，以留出扩展空间。

### 3.2 架构与超参数：微观沿用 LLaMA，宏观刻意加深深层

微观设计大体沿用 LLaMA：Pre-Norm + RMSNorm、FFN 用 SwiGLU 且中间层维度为 $\frac{8}{3}d_{model}$、位置编码用旋转位置编码（Rotary Embedding）。为降低推理开销，67B 用分组查询注意力（Grouped-Query Attention, GQA）替代多头注意力（Multi-Head Attention, MHA）。

宏观设计刻意不同：7B 为 30 层，67B 为 **95 层**；作者没有像多数 GQA 工作那样加宽 FFN 中间维度，而是把 67B 的参数扩张放在网络深度上，以求更好性能，同时保持与其他开源模型相当的参数量，并便于流水线切分。

具体配置（Table 2）：

| 模型 | $n_{layers}$ | $d_{model}$ | $n_{heads}$ | $n_{kv\_heads}$ | 序列长度 | 批大小 | 学习率 | 训练 token |
|---|---|---|---|---|---|---|---|---|
| 7B | 30 | 4096 | 32 | 32 | 4096 | 2304 | 4.2e-4 | 2.0T |
| 67B | 95 | 8192 | 64 | 8 | 4096 | 4608 | 3.2e-4 | 2.0T |

初始化标准差 0.006，优化器为 AdamW，$\beta_1=0.9$、$\beta_2=0.95$、weight_decay $=0.1$，梯度裁剪 1.0。**关键替换：用多步（multi-step）学习率调度器替代余弦调度器**——2000 步 warmup 后达到峰值，训练 80% token 后降至峰值的 31.6%，90% 后降至 10%。两者最终性能基本一致，但多步调度器允许扩大训练规模时复用第一阶段结果，便于持续训练（continual training）；三段比例调激进虽略优，为兼顾复用比例仍取 80%/10%/10%。

### 3.3 训练基础设施

使用轻量框架 HAI-LLM，集成数据并行、张量并行、序列并行与 1F1B 流水线并行，配合 FlashAttention 与 ZeRO-1（切分优化器状态）；工程上重叠计算与通信（如最后 micro-batch 反传与 ZeRO-1 reduce-scatter），并融合 LayerNorm、GEMM、Adam 更新等算子。为稳定训练，以 bf16 计算、fp32 累积梯度；采用原地（in-place）交叉熵，在内核中把 bf16 logits 即时转 fp32 并算出梯度后覆写 logits，降低显存占用。权重与优化器状态每 5 分钟异步保存，最坏只损失 5 分钟进度，并支持换用不同 3D 并行配置恢复；评估时生成式任务用 vLLM，非生成式任务用连续批处理（continuous batching）。

### 3.4 缩放定律：先定超参数，再定模型/数据配比

**超参数缩放定律**：在 1e17 预算的小规模实验上网格搜索批大小与学习率，发现泛化误差在很宽区间内保持稳定；把误差超出最小值不超过 0.25% 的参数视为「近最优」，并借多步调度器复用第一阶段，在 1e17–2e19 训练多组模型拟合得到：

$$
\eta_{\mathrm{opt}} = 0.3118 \cdot C^{-0.1250}, \qquad B_{\mathrm{opt}} = 0.2920 \cdot C^{0.3271}
$$

即算力越大，最优批大小越大、学习率越小。作者坦承该式未考虑算力之外的因素，同等算力下不同配比的最优参数空间亦略有差异。

**新的模型规模表示**：$C=6ND$ 忽略了注意力算子的开销（完整参数版本还计入对容量贡献较小的词表计算），小模型上误差可达 50%。作者改用非嵌入 FLOPs/token $M$：

$$
6N_1 = 72\,n_{layer}\,d_{model}^{2},\quad 6N_2 = 72\,n_{layer}\,d_{model}^{2}+6\,n_{vocab}\,d_{model}
$$

$$
M = 72\,n_{layer}\,d_{model}^{2}+12\,n_{layer}\,d_{model}\,l_{seq}, \qquad C = MD
$$

其中 $6N_1/M$ 在 0.43–0.92、$6N_2/M$ 在 0.81–1.32 之间，偏差具有系统性。优化目标形式化为：

$$
M_{\mathrm{opt}}(C), D_{\mathrm{opt}}(C)=\underset{M,D\ \mathrm{s.t.}\ C=MD}{\mathrm{argmin}} L(N,D)
$$

采用 Chinchilla 的 IsoFLOP profile，取 8 个算力预算（1e17–3e20）、每预算约 10 种配比，超参数由上式确定，泛化误差在含 100M token 的独立验证集上以 bits-per-byte 度量。拟合结果：

$$
M_{\mathrm{opt}} = 0.1715 \cdot C^{0.5243}, \qquad D_{\mathrm{opt}} = 5.8316 \cdot C^{0.4757}
$$

即模型规模指数略大于数据规模指数，算力增长应更多投向模型；该曲线成功预测了 7B/67B 性能（小规模实验可预测 1000 倍算力的模型）。

**数据质量改变缩放行为**：在三套数据上重复拟合后，质量越高则 $a$ 越大、$b$ 越小。直观解释是高质量数据逻辑清晰、充分训练后预测难度更低，更值得扩大模型。

| 方法（数据） | 模型缩放系数 $a$ | 数据缩放系数 $b$ |
|---|---|---|
| OpenAI（OpenWebText2） | 0.73 | 0.27 |
| Chinchilla（MassiveText） | 0.49 | 0.51 |
| 本文（早期内部数据） | 0.450 | 0.550 |
| 本文（当前内部数据） | 0.524 | 0.476 |
| 本文（OpenWebText2） | 0.578 | 0.422 |

### 3.5 对齐：SFT 与 DPO

对齐数据约 150 万条中英指令，覆盖有益性（helpfulness）与无害性（harmlessness）：有益数据 120 万条，其中通用语言任务 31.2%、数学题 46.6%、编程练习 22.2%；安全数据 30 万条，覆盖各类敏感话题。

SFT 阶段 7B 微调 4 个 epoch、67B 仅 2 个（67B 过拟合明显），学习率分别为 1e-5 与 5e-6；7B 上 GSM8K 与 HumanEval 持续提升，67B 很快触及上限。作者还用 3868 条中英提示监测「重复率」（生成无法终止、无限重复文本的比例），发现数学 SFT 数据越多重复越高——数学数据推理模式相似，弱模型难以掌握；两阶段微调与 DPO 都能几乎保分并显著降重。DPO 按有益性与无害性构造偏好数据（候选回复由 DeepSeek Chat 生成），训练 1 个 epoch、学习率 5e-6、批大小 512，配合 warmup 与余弦调度，增强开放域生成能力而对标准基准影响不大。

## 四、主要实验结果

| 基准 / 任务 | 本模型 | 对比对象 | 说明 |
|---|---|---|---|
| MATH（4-shot，Base） | 67B：18.7 | LLaMA-2 70B：13.5 | 数学大幅领先 |
| GSM8K（8-shot，Base） | 67B：63.4 | LLaMA-2 70B：58.4 | 同上 |
| HumanEval（0-shot，Base） | 67B：42.7 | LLaMA-2 70B：28.7 | 代码优势最显著 |
| MBPP（3-shot，Base） | 67B：57.4 | LLaMA-2 70B：45.6 | 同上 |
| BBH（3-shot，Base） | 67B：68.7 | LLaMA-2 70B：62.9 | 推理领先 |
| AGIEval（0-shot，Base） | 67B：41.3 | LLaMA-2 70B：37.2 | 标准化考试 |
| MMLU（5-shot，Base） | 67B：71.3 | LLaMA-2 70B：69.0 | 英文知识小幅领先 |
| Pile-test（BPB，Base） | 67B：0.642 | LLaMA-2 70B：0.649 | 越低越好 |
| RACE-High（5-shot，Base） | 67B：50.7 | LLaMA-2 70B：54.3 | 英文阅读理解落后 |
| DROP（F1，1-shot，Base） | 67B：67.9 | LLaMA-2 70B：69.2 | 略有差距 |
| C-Eval（5-shot，Base） | 67B：66.1 | LLaMA-2 70B：51.4 | 中文知识断层领先 |
| CMMLU（5-shot，Base） | 67B：70.8 | LLaMA-2 70B：53.1 | 同上 |
| CHID（0-shot，Base） | 67B：92.1 | LLaMA-2 70B：55.5 | 成语理解 |
| CCPM（0-shot，Base） | 67B：88.5 | LLaMA-2 70B：66.2 | 中文文化 |
| C3（0-shot，Base） | 67B：75.3 | LLaMA-2 70B：61.7 | 中文阅读理解 |
| CMath（3-shot，Base） | 67B：63.0 | LLaMA-2 70B：53.9 | 中文数学 |
| GSM8K（0-shot，Chat） | 67B Chat：84.1 | 67B Base：63.4 | 微调后 +20.7 分 |
| HumanEval（0-shot，Chat） | 67B Chat：73.8 | 67B Base：42.7 | 微调后 +31.1 分 |
| MT-Bench（英文开放域） | 67B Chat DPO：8.76 | GPT-3.5-turbo-0613：8.39；GPT-4-1106-preview：9.26 | 仅次于 GPT-4 |
| AlignBench（中文开放域） | 67B Chat DPO：6.69 | ChatGPT(gpt-3.5-turbo-0613)：6.08；gpt-4-1106-preview：8.01 | 超越 ChatGPT，仅次于两版 GPT-4 |
| LeetCode（held-out） | 67B Chat：17.5 | Qwen 72B Chat：12.7；GPT-4：48.4 | 新题泛化仍远逊 GPT-4 |
| 匈牙利高中数学竞赛（held-out） | 67B Chat：58 | Qwen 72B Chat：52；GPT-4：68 | 人工评分 |
| IFEval（指令遵循，held-out） | 67B Chat：55.5 | Qwen 72B Chat：50.8；GPT-4：79.3 | prompt-level loose |
| Do-Not-Answer（安全） | DeepSeek-67B-Chat：97.8 | ChatGPT：97.7；GPT-4：96.5；LLAMA-2-7B-Chat：99.4 | 分数越高越安全 |
| HumanEval（对比代码专精模型） | DeepSeek-LLM-Chat 67B：73.8% | Wizard-Coder 34B：73.2% | 代码数据更少但持平 |
| GSM8K（对比数学专精模型，CoT） | 67B Chat：84.1% | MetaMath 70B：82.3% | 跨语言数学全面领先 |
| GSM8K（工具集成推理，TIR） | 67B Chat：86.7% | ToRA-Code 34B：80.7% | 程序辅助解题优于 CoT |

领先集中在代码、数学、推理与中文任务：67B 相对 LLaMA-2 70B 在 HumanEval（42.7 vs 28.7）、MBPP（57.4 vs 45.6）、MATH（18.7 vs 13.5）、GSM8K（63.4 vs 58.4）、BBH（68.7 vs 62.9）及几乎全部中文基准（C-Eval 66.1 vs 51.4、CHID 92.1 vs 55.5）上明显更好；在 2T 中英双语数据、不如 LLaMA-2 纯英文专注的前提下，英文语言理解基准（HellaSwag 84.0 对 84.0、ARC、OpenBookQA）基本持平。仍有差距的是 RACE-High（50.7 vs 54.3）、DROP（67.9 vs 69.2）、TriviaQA（78.9 vs 79.5）与 WinoGrande（79.8 vs 80.4）。67B 对 LLaMA-2 70B 的优势大于 7B 对 7B，说明「语言冲突」对更小模型伤害更大；LLaMA-2 未专门训练中文却在 CMath 上不俗，说明数学推理等能力可跨语言迁移，而 CHID 这类需大量中文语料浸润的任务则显著落后。对齐后 Chat 模型在数学与代码上提升超过 20 分，知识/推理类基准仅达到「零样本逼近基座少样本」水平，而 HellaSwag 这类完形任务稳定下降。

## 五、结论、局限与影响

- **结论**：作者从头训练了 2 万亿中英双语 token 的 DeepSeek LLM 系列，交代了超参数选择、缩放定律与微调尝试；校准了此前的缩放定律，提出新的最优模型/数据分配策略（$a=0.5243$、$b=0.4757$），给出「按算力预算预测近最优批大小与学习率」的方法，并指出缩放定律与数据质量相关——这可能是各研究缩放结论矛盾的根因。作者强调所有训练阶段都避免「榜单装饰」与暗箱操作。
- **局限性**（作者自述）：DeepSeek Chat 存在大模型通病：预训练后缺乏持续知识更新、可能给出非事实信息（如未经验证的建议）、易产生幻觉；初始版本中文数据不够完备，部分中文特定话题欠佳；数据以中英为主，其他语言能力较脆弱。作者也承认缩放定律研究尚未考虑算力之外影响最优超参数的因素。
- **影响**：论文把「数据质量 → 最优算力分配」的因果链条公开化，为开源模型的规模决策提供可复用方法论；非嵌入 FLOPs/token 与超参数幂律式成为业界常用的拟合口径。文中预告了后续代码智能与混合专家（Mixture-of-Experts, MoE）报告（目标以稀疏模型达到稠密性能），并称下一版将提升推理、中文知识、数学与代码能力；对齐团队的初步实验证明强化学习可增强复杂推理。论文还暴露了「多选数据能刷高榜单但不能真正提升智能」：加入 2000 万条中文多选数据后 MMLU 49.4→60.9、C-Eval 47.0→71.3、CMMLU 49.7→73.8，而生成式评测 TriviaQA 与 ChineseQA 几乎不变，故预训练与微调阶段都剔除多选数据。

## 六、关键术语对照表

| English | 中文 |
|---|---|
| Scaling Laws | 缩放定律 |
| Longtermism | 长期主义 |
| Non-embedding FLOPs/token ($M$) | 非嵌入每 token 计算量 |
| IsoFLOP Profile | 等算力曲线（轮廓） |
| Compute Budget ($C$) | 算力预算 |
| Supervised Fine-Tuning (SFT) | 有监督微调 |
| Direct Preference Optimization (DPO) | 直接偏好优化 |
| Grouped-Query Attention (GQA) | 分组查询注意力 |
| Multi-Head Attention (MHA) | 多头注意力 |
| Byte-level BPE (BBPE) | 字节级字节对编码 |
| Multi-step Learning Rate Scheduler | 多步学习率调度器 |
| Chain-of-Thoughts (CoT) | 思维链 |
| Tool-Integrated Reasoning (TIR) | 工具集成推理 |
| Held-Out Evaluation | 留出集（防污染）评估 |
| Bits-per-Byte (BPB) | 每字节比特数 |
| Repetition Ratio | 重复率 |
| System Prompt | 系统提示 |
| Contamination / Benchmark Overfitting | 数据污染 / 基准过拟合 |