Bilibili开源发布轻量级 Index 系列语言模型：2.8T 训练数据，支持角色扮演

Bilibili首次发布 Index 系列模型中的轻量版本：Index-1.9B 系列

本次开源的 Index-1.9B系列包含以下模型：

Index-1.9Bbase:基座模型，具有 19 亿 非词嵌入参数量，在 2.8T    中英文为主的语料上预训练，多个评测基准上与同级别模型比处于领先.    

Index-1.9Bpure:基座模型的对照组，与 base 具有相同的参数和训练策略，不同之处在于我们严格过滤了该版本语料中所有指令相关的数据，

以此来验证指令对 benchmark 的影响

Index-1.9Bchat:基于 index-1.9B    base 通过 SFT 和 DPO 对齐后的对话模型，我们发现由于预训练中引入了较多定向清洗对话类语料，聊天的趣味性明显更强

Index-1.9Bcharacter    :在 SFT 和 DPO 的基础上引入了 RAG 来实现 fewshots 角色扮演定制

目前，我们已在 HuggingFace 和 ModelScope 上同步开源。期待听到你们的使用反馈！

开源网址，模型下载请到喜好儿网查看

详细描述了模型的预训练过程，包括数据清洗、去重、Tokenizer的设计和模型架构的选择。特别提到了模型使用了SentencePiece训练的BPE Tokenizer，并针对中文进行了优化。模型架构方面，Index-1.9B采用了36层的深度，并采用了Norm-Head技术来稳定训练过程。

训练过程中，使用了AdamW优化器，并采取了两阶段训练策略，包括稳定阶段和衰减阶段。报告还讨论了训练基础设施，包括自研训练框架和硬件配置。

在评测部分，模型在多个任务上的表现被详细列出，包括综合性选择题、理解和推理、数学问题解答以及代码能力评测。结果显示Index-1.9B在多数任务上都有出色的表现。

报告还包括了对模型结构、学习率和训练策略的深入讨论和实验，以及对预训练中是否加入指令的探讨。最后，报告介绍了如何通过SFT（Supervised Fine-Tuning）和DPO（Direct Preference Optimization）进一步优化模型，以更好地符合人类的偏好和提高对话的趣味性。