开源中文预训练语言模型Steel-LLM

[ 中文 | English ]

👋 介绍

Steel-LLM是个人发起的从零预训练中文大模型项目。我们使用了1T token的数据预训练一个1B左右参数量的中文LLM。项目从开始到微调出第一版模型耗时了8个月。我们详细的分享了数据收集、数据处理、预训练框架选择、模型设计等全过程，并开源全部代码。让每个人在有8~几十张卡的情况下都能复现我们的工作。得益于开源中文数据，Steel-LLM在中文benchmark上表现优于机构早期发布的一些更大的模型，在ceval达到了42分，cmmlu达到了36分。

"Steel(钢)"取名灵感来源于华北平原一只优秀的乐队“万能青年旅店（万青）”。乐队在做一专的时候条件有限，自称是在“土法炼钢”，但却是一张神专。我们训练LLM的条件同样有限，但也希望能炼出好“钢”来。

🔔 公告

更新

后续会在数学能力、强化学习、复杂推理等方面进一步探索......

[2025/2/13] 上传了技术报告：https://arxiv.org/abs/2502.06635

[2025/1/17] 更新steel-LLM-chat-v2,微调时加入了英文数据，中英文数据比例和预训练保持一致，最终在ceval上由38分提高到了41.9分，cmmlu从33分提高到了36分。

[2024/11/13] 🔥发布一篇项目汇总文章《个人从零预训练1B LLM心路历程》：https://mp.weixin.qq.com/s/POUugkCNZTzmlKWZVVD1CQ🔥

[2024/10/28]更新了第一版chat模型，在ceval达到了38分，cmmlu达到了33分。

[2024/10/24]发布了Steel-LLM微调和评估的细节。微调时探索了cot、模型刷榜等实验。博客地址：https://mp.weixin.qq.com/s/KK0G0spNw0D9rPUESkHMew

[2024/9/2] HuggingFace更新了480k、660k、720k、980k、1060k（最后一个checkpoint）step的checkpoint。

[2024/8/18] 预训练已经完成，后续进行微调以及评测

[2024/7/18] 使用8*H800继续训练，wandb：https://api.wandb.ai/links/steel-llm-lab/vqf297nr

[2024/6/30] 放出预训练200k个step的checkpoint，huggingface链接

[2024/5/21] 模型开启正式训练，后续不定期放出checkpoint。

[2024/5/19] 基于Qwen1.5完成模型修改，模型大小1.12B：

• FFN层使用softmax moe，相同参数量下有更高的训练速度
• 使用双层的SwiGLU

相关博客:https://zhuanlan.zhihu.com/p/700395878

[2024/5/5] 预训练程序修改相关的博客：https://zhuanlan.zhihu.com/p/694223107

[2024/4/24] 完成训练程序改进：兼容Hugginface格式模型、支持数据断点续训、支持追加新的数据

[2024/4/14] 完成数据收集与处理，生成预训练程序所需要的bin文件。更新数据收集与处理相关的博客：https://zhuanlan.zhihu.com/p/687338497

🧑‍🤝‍🧑 交流

欢迎加入交流群,人数已超过200，添加微信入群：a1843450905

🤖 预训练

数据收集

使用的数据集和链接如下所示，更详细的介绍见此篇文章

• Skywork/Skypile-150B数据集
• wanjuan1.0(nlp部分)
• 中文维基过滤数据
• 百度百科数据
• 百度百科问答数据
• 知乎问答数据
• BELLE对话数据
• moss项目对话数据
• firefly1.1M
• starcoder

数据处理

(详细内容见此篇文章)

step1：格式转化

• 源数据：针对4类数据进行格式统一的转化处理：
  • 简单文本：百度百科（title和各段落需要手动合并）、中文维基
  • 对话（含单轮与多轮）：百度百科问答数据、BELLE对话数据（BELLE_3_5M）、moss项目对话数据、知乎问答数据、BELLE任务数据（BELLE_2_5M)、firefly1.1M
  • 代码数据：starcode
  • 其他数据：wanjuan和skypile数据集不用做单独处理
• 目标格式：{"text": "asdfasdf..."}，文件保存为.jsonl类型。
• 运行方式：python data/pretrain_data_prepare/step1_data_process.py

step2：data-juicer数据处理

• 运行方式：sh data/pretrain_data_prepare/step2/run_step2.sh

• 具体使用的data juicer算子见此文档。

step3：生成最终用于训练的bin格式

需要先在代码中修改filename_sets，指定数据路径，然后运行如下程序：

python pretrain_modify_from_TinyLlama/scripts/prepare_steel_llm_data.py

输入数据格式为：包含'text'字段的jsonl文件

tokenizer

不单独训练tokenizer，使用Qwen/Qwen1.5-MoE-A2.7B-Chat的tokenizer

模型结构

(详细内容见此篇文章)

基于Qwen1.5模型，进行了如下改动：

• FFN层使用softmax moe，相同参数量下有更高的训练速度
• 使用双层的SwiGLU

预训练框架

(详细内容见此篇文章)

基于TinyLlama预训练程序进行如下改进：

• 兼容HuggingFace格式的模型
• 加载checkpoint时，完全恢复数据训练的进度
• 数据一致性检测
• 在不影响已训练数据的情况下，在数据集中追加新的数据

启动预训练：

python Steel-LLM/pretrain_modify_from_TinyLlama/pretrain/pretrain_steel_llm.py

评估

(详细内容见此篇文章)

Steel-LLM在CEVAL、CMMLU上进行了测试。Steel-LLM旨在训练一个中文LLM，80%的训练数据都是中文，因此在英文benchmark并未做过多的测试。 其他模型的指标来自于CEVAL论文、MiniCPM技术报告、MAP-Neo技术报告等途径。更多模型的指标可查看之前的博客

	CEVAL	CMMLU
Steel-LLM-chat-v2	41.90	36.08
Steel-LLM-chat-v1	38.57	33.48
Tiny-Llama-1.1B	25.02	24.03
Gemma-2b-it	32.3	33.07
Phi2(2B)	23.37	24.18
Deepseek-coder-1.3B-instruct	28.33	27.75
CT-LLM-SFT-2B	41.54	41.48
MiniCPM-2B-sft-fp32	49.14	51.0
Qwen1.5-1.8B-Chat	56.84	54.11
ChatGLM-6B	38.9	-
Moss	33.1	-
LLAMA-65B	34.7	-
Qwen-7B	58.96	60.35
Gemma-7B	42.57	44.20
OLMo-7B	35.18	35.55
MAP-NEO-7B	56.97	55.01

⛏️ 快速使用

from modelscope import AutoModelForCausalLM, AutoTokenizer

model_name = "zhanshijin/Steel-LLM"

model = AutoModelForCausalLM.from_pretrained(
    model_name,
    torch_dtype="auto",
    device_map="auto"
)
tokenizer = AutoTokenizer.from_pretrained(model_name)

prompt = "你是谁开发的"
messages = [
    {"role": "user", "content": prompt}
]
text = tokenizer.apply_chat_template(
    messages,
    tokenize=False,
    add_generation_prompt=True
)
model_inputs = tokenizer([text], return_tensors="pt").to(model.device)

generated_ids = model.generate(
    **model_inputs,
    max_new_tokens=512
)
generated_ids = [
    output_ids[len(input_ids):] for input_ids, output_ids in zip(model_inputs.input_ids, generated_ids)
]

response = tokenizer.batch_decode(generated_ids, skip_special_tokens=True)[0]
print(response)

硬件资源

GPU：8* H800 80G(训练30天左右)

GPU：8* A100 80G（训练60天左右）

硬盘：4TB

Citation

BibTeX:

@article{gu2025steel,
  title={Steel-LLM: From Scratch to Open Source--A Personal Journey in Building a Chinese-Centric LLM},
  author={Gu, Qingshui and Li, Shu and Zheng, Tianyu and Zhang, Zhaoxiang},
  journal={arXiv preprint arXiv:2502.06635},
  year={2025}
}