训练10B的模型需要多大的数据？详解大模型中的Scaling Law

最新推荐文章于 2025-08-20 22:56:05 发布

原创最新推荐文章于 2025-08-20 22:56:05 发布 · 895 阅读

24 ·

CC 4.0 BY-SA版权

文章标签：

#人工智能 #架构 #AIGC #AI大模型 #大模型教程 #大模型学习

AI大模型同时被 2 个专栏收录

44 篇文章

订阅专栏

大模型教程

44 篇文章

订阅专栏

在大模型的研发中，通常会有下面一些需求：

计划训练一个 10B 的模型，想知道至少需要多大的数据？
收集到了 1T 的数据，想知道能训练一个多大的模型？
老板准备 1 个月后开发布会，给的资源是 100 张 A100，应该用多少数据训多大的模型效果最好？
老板对现在 10B 的模型不满意，想知道扩大到 100B 模型的效果能提升到多少？

以上这些问题都可以基于 Scaling Law 的理论进行回答。本文是阅读了一系列 Scaling Law 的文章后的整理和思考，包括 Scaling Law 的概念和推导以及反 Scaling Law 的场景，不当之处，欢迎指正。

核心结论

大模型的 Scaling Law 是 OpenAI 在 2020 年提出的概念 [1]，具体如下：

1. 对于 Decoder-only 的模型，计算量（Flops），模型参数量，数据大小（token 数），三者满足：。（推导见本文最后）

2. 模型的最终性能主要****与计算量，模型参数量和数据大小三者相关，而与模型的具体结构（层数/深度/宽度）基本无关。

3. 对于计算量，模型参数量和数据大小，当不受其他两个因素制约时，模型性能与每个因素都呈现幂律关系。

4. 为了提升模型性能，模型参数量和数据大小需要同步放大，但模型和数据分别放大的比例还存在争议。

5. Scaling Law不仅适用于语言模型，还适用于其他模态以及跨模态的任务 [4]：

这里横轴单位为 PF-days: 如果每秒钟可进行次运算，就是 1 peta flops，那么一天的运算就是，这个算力消耗被称为 1 个 petaflop/s-day。

核心公式

第一项是指无法通过增加模型规模来减少的损失，可以认为是数据自身的熵（例如数据中的噪音）
第二项是指能通过增加计算量来减少的损失，可以认为是模型拟合的分布与实际分布之间的差。

根据公式，增大（例如计算量），模型整体 loss 下降，模型性能提升；伴随趋向于无穷大，模型能拟合数据的真实分布，让第二项逼近 0，整体趋向于。

大模型中的Scaling Law

3.1 GPT4

下图是 GPT4 报告 [5] 中的 Scaling Law 曲线，计算量和模型性能满足幂律关系

横轴是归一化之后的计算量，假设 GPT4 的计算量为 1。基于 10,000 倍小的计算规模，就能预测最终 GPT4 的性能。
纵轴是 “Bits for words”, 这也是交叉熵的一个单位。在计算交叉熵时，如果使用以 2 为底的对数，交叉熵的单位就是 “bits per word”，与信息论中的比特（bit）概念相符。所以这个值越低，说明模型的性能越好。

3.2 Baichuan2

下图是 Baichuan2 [6] 技术报告中的 Scaling Law 曲线。基于 10M 到 3B 的模型在 1T 数据上训练的性能，可预测出最后 7B 模型和 13B 模型在 2.6T 数据上的性能。

3.3 MindLLM

下图是 MindLLM [7]技术报告中的 Scaling Law 曲线。基于 10M 到 500M 的模型在 10B 数据上训练的性能，预测出最后 3B 模型在 500B 数据上的性能。

Scaling Law实操：计算效率最优

根据幂律定律，模型的参数固定，无限堆数据并不能无限提升模型的性能，模型最终性能会慢慢趋向一个固定的值

如图所示，如果模型的参数量为（图中紫色的线），在数量达到，模型基本收敛。所以在数据量达到后，继续增加数据产生的计算量，没有同样计算量下提升模型参数量带来的收益大（计算效率更优）。根据，可以进一步转换成模型参数与计算量的关系，即: 模型参数为，在计算量为 Flops，即 PF-days 时基本收敛。也就是右图中紫色线的拐点。

根据 Baichuan [6] 的实验，在中英场景下，7B 模型收敛时的算力是 FLOPS，对应的数据量应该是。

按照上面的思路，下面进行 Scaling Law 的实操。

首先准备充足的数据（例如 1T），设计不同模型参数量的小模型（例如 0.001B-1B），独立训练每个模型，每个模型都训练到基本收敛（假设数据量充足）。根据训练中不同模型的参数和数据量的组合，收集计算量与模型性能的关系。然后可以进一步获得计算效率最优时，即同样计算量下性能最好的模型规模和数据大小的组合，模型大小与计算量的关系，以及数据大小与计算量的关系。

如图所示，根据左图可以看到计算量与模型性能呈现幂律关系（可以认为数据和模型都不受限制），根据中图和右图，可以发现，即计算效率最优时，模型的参数与计算量的幂次成线性关系，数据量的大小也与计算量的幂次成线性关系。

根据，可以推算出，但是分别是多少存在分歧。

OpenAI [1] 认为模型规模更重要，即，而 DeepMind 在 Chinchilla 工作 [2] 和 Google 在 PaLM 工作 [3] 中都验证了，即模型和数据同等重要。

所以假定计算量整体放大 10 倍，OpenAI 认为模型参数更重要，模型应放大（5.32）倍，数据放大（1.86）倍；后来 DeepMind 和 Google 认为模型参数量与数据同等重要，两者都应该分别放大（3.16）倍。

例如在 PaLM 的实验中，计算量从放大 10 倍到，模型参数也提升了 3.2 倍，3.35B->10.7B。

例如在 PaLM 的实验具体最好在自己的数据上做实验来获得你场景下的和。

LLaMA: 反Scaling Law的大模型

假设遵循计算效率最优来研发 LLM，那么根据 Scaling Law，给定模型大小，可以推算出最优的计算量，进一步根据最优计算量就能推算出需要的 token 数量，然后训练就行。

但是计算效率最优这个观点是针对训练阶段而言的，并不是推理阶段，实际应用中推理阶段效率更实用。

Meta 在 LLaMA [8] 的观点是：给定模型的目标性能，并不需要用最优的计算效率在最快时间训练好模型，而应该在更大规模的数据上，训练一个相对更小模型，这样的模型在推理阶段的成本更低，尽管训练阶段的效率不是最优的（同样的算力其实能获得更优的模型，但是模型尺寸也会更大）。根据 Scaling Law，10B 模型只需要 200B 的数据，但是作者发现 7B 的模型性能在 1T 的数据后还能继续提升。