目录

1. 创建任务
2. 新建运行
3. 数据配置

大模型预训练是开发者可以基于大量的泛文本无标注数据使用Post-pretrain的方式训练出一个定制的预训练模型。
在Post-pretrain任务中调优预训练模型提升模型效果，完成预训练后，可以在SFT调优预训练模型。

登录到本平台，在左侧功能列选择Post-pretrain，进入大模型预训练的主任务界面。

创建任务

您需要在Post-pretrain任务界面，选择“创建训练作业”按钮，可根据训练需要选定基础模型版本。如在已有作业基础上新建任务，模型选择以已创建运行的最新运行使用的模型和版本为基准，不可切换基础模型。

基本信息

填写好作业名称和500字内的作业描述，并选择训练需要的基础模型版本。

训练配置

训练配置大模型参数，调整好基本配置。

• 在Post-pretrain训练任务中，可以选择开启增量训练开关
  开关打开后，需要选择Post-pretrain的基准模型，此模型来源于运行中的Post-pretrain任务。所以您开启增量训练任务的前提有已经在运行中的Post-pretrain任务。

由于大模型权重占用较大存储，只能选择三个月内训练的模型发起增量训练。

注意：基础模型继承基准模型版本，所以当您选定基准模型后，基础模型及版本不可变更。

• 您也可以选择直接不使用增量训练，这样直接在基础模型上进行Post-pretrain。

·ERNIE Speed

百度自主研发的文心产业级知识增强大语言模型（高性能版），相较ERNIE Lite实现了基础模型的全面升级，在理解、生成、逻辑和记忆能力上有显著提升。

ERNIE-Speed-8K

单条数据支持8192 tokens。模型基于海量高质量数据训练，具有更强的文本理解、内容创作、对话问答等能力。

• 参数配置

超参数	简单描述
迭代轮次	迭代轮次（epoch），控制训练过程中的迭代轮数。
学习率	学习率（learning_rate）是在梯度下降的过程中更新权重时的超参数，过高会导致模型难以收敛，过低则会导致模型收敛速度过慢，平台已给出默认推荐值，可根据经验调整。
序列长度	单条数据的长度，单位为token。如果数据集中每条数据的长度（输入）都在4096 tokens 以内，建议选择4096，针对短序列可以达到更优的训练效果。
全局批大小	全局批大小（GlobalBatchsize），每次训练迭代使用的样本数，为了加快训练效率，多条样本会使用Packing尽可能拼接到一个序列长度内。
Checkpoint保存个数	训练过程最终要保存的Checkpoint个数，Checkpoint保存会增加训练时长
Checkpoint保存间隔数	训练过程中保存Checkpoint的间隔Step数
随机种子	随机种子
学习率调整计划	学习率调整计划（schedulerType），用于调整训练中学习率的变动方式。
cosine 策略的波数	仅用于 cosine 策略，表示波数。
polynomial 策略的末端 LR	仅用于 polynomial 策略，表示末端 LR（注意，该值若生效需要比学习率小）。
polynomial 策略的幂数	仅用于 polynomial 策略，表示幂数。
验证步数	Validation Step，计算验证集Loss的间隔步数；为0时不开启验证，没有相关指标。

ERNIE-Speed-Pro-128K

单条数据支持128k tokens。模型基于海量高质量数据训练，具有更强的文本理解、内容创作、对话问答等能力。

• 参数配置

超参数	简单描述
迭代轮次	迭代轮次（Epoch），控制训练过程中的迭代轮数。
学习率	学习率（LearningRate）是在梯度下降的过程中更新权重时的超参数，过高会导致模型难以收敛，过低则会导致模型收敛速度过慢，平台已给出默认推荐值，可根据经验调整。
序列长度	单条数据的长度，单位为token。
全局批大小	全局批大小（GlobalBatchsize），每次训练迭代使用的样本数，为了加快训练效率，多条样本会使用Packing尽可能拼接到一个序列长度内。
Checkpoint保存个数	训练过程最终要保存的Checkpoint个数，Checkpoint保存会增加训练时长。
Checkpoint保存间隔数	训练过程中保存Checkpoint的间隔Step数。
随机种子	随机种子。
学习率调整计划	学习率调整计划（schedulerType），用于调整训练中学习率的变动方式。
cosine 策略的波数	仅用于 cosine 策略，表示波数。
polynomial 策略的末端 LR	仅用于 polynomial 策略，表示末端 LR（注意，该值若生效需要比学习率小）。
polynomial 策略的幂数	仅用于 polynomial 策略，表示幂数。
验证步数	Validation Step，计算验证集Loss的间隔步数；为0时不开启验证，没有相关指标。
早停策略	监控精调任务的指标变化情况，指标连续不变则提前终止任务。
早停指标	任务早停的监控指标。
早停指标变化量	当精调任务指标的变化量超过早停指标变化量时才认为发生变化。
早停指标稳定次数	早停指标连续不变化的次数。

·ERNIE Lite

百度自主研发的大语言模型，覆盖海量中文数据，具有更强的对话问答、内容创作生成等能力。

ERNIE-Lite-128K-0722

单条数据支持128k tokens。ERNIE-Lite-128K的最新版本，对效果和性能都进行了优化。

• 参数配置

超参数	简单描述
迭代轮次	迭代轮次（epoch），控制训练过程中的迭代轮数。
学习率	学习率（learning_rate）是在梯度下降的过程中更新权重时的超参数，过高会导致模型难以收敛，过低则会导致模型收敛速度过慢，平台已给出默认推荐值，可根据经验调整。
序列长度	单条数据的长度，单位为token。如果数据集中每条数据的长度（输入）都在4096 tokens 以内，建议选择4096，针对短序列可以达到更优的训练效果。
全局批大小	全局批大小（GlobalBatchsize），每次训练迭代使用的样本数，为了加快训练效率，多条样本会使用Packing尽可能拼接到一个序列长度内。
Checkpoint保存个数	训练过程最终要保存的Checkpoint个数，Checkpoint保存会增加训练时长
Checkpoint保存间隔数	训练过程中保存Checkpoint的间隔Step数
随机种子	随机种子
学习率调整计划	学习率调整计划（schedulerType），用于调整训练中学习率的变动方式。
cosine 策略的波数	仅用于 cosine 策略，表示波数。
polynomial 策略的末端 LR	仅用于 polynomial 策略，表示末端 LR（注意，该值若生效需要比学习率小）。
polynomial 策略的幂数	仅用于 polynomial 策略，表示幂数。
验证步数	Validation Step，计算验证集Loss的间隔步数；为0时不开启验证，没有相关指标。

·ERNIE Tiny

百度自研的超高性能大语言模型，精调成本在文心系列模型中最低。

ERNIE-Tiny-8K

单条数据支持8192 tokens。

• 参数配置

超参数	简单描述
迭代轮次	迭代轮次（epoch），控制训练过程中的迭代轮数。
学习率	学习率（learning_rate）是在梯度下降的过程中更新权重时的超参数，过高会导致模型难以收敛，过低则会导致模型收敛速度过慢，平台已给出默认推荐值，可根据经验调整。
序列长度	单条数据的长度，单位为token。如果数据集中每条数据的长度（输入）都在4096 tokens 以内，建议选择4096，针对短序列可以达到更优的训练效果。
全局批大小	全局批大小（GlobalBatchsize），每次训练迭代使用的样本数，为了加快训练效率，多条样本会使用Packing尽可能拼接到一个序列长度内。
Checkpoint保存个数	训练过程最终要保存的Checkpoint个数，Checkpoint保存会增加训练时长
Checkpoint保存间隔数	训练过程中保存Checkpoint的间隔Step数
验证步数	Validation Step，计算验证集Loss的间隔步数；为0时不开启验证，没有相关指标。

ERNIE-Tiny-128K-0929

单条数据支持128k tokens。

• 参数配置

超参数	说明
迭代轮次	迭代轮次（Epoch），控制训练过程中的迭代轮数。可以根据数据规模适当调整Epoch大小，建议设置在1-5之间，小数据量可以适当增大Epoch，让模型充分收敛。
学习率	学习率（LearningRate）是在梯度下降的过程中更新权重时的超参数，过高会导致模型难以收敛，过低则会导致模型收敛速度过慢，平台已给出默认推荐值，可根据经验调整。
序列长度	单条数据的长度，单位为token。
全局批大小	全局批大小（GlobalBatchsize），每次训练迭代使用的样本数，为了加快训练效率，多条样本会使用Packing尽可能拼接到一个序列长度内。
Checkpoint保存个数	训练过程最终要保存的Checkpoint个数，Checkpoint保存会增加训练时长。
Checkpoint保存间隔数	训练过程中保存Checkpoint的间隔Step数。
随机种子	随机种子。
学习率调整计划	学习率调整计划（schedulerType），用于调整训练中学习率的变动方式。
cosine 策略的波数	仅用于 cosine 策略，表示波数。
polynomial 策略的末端 LR	仅用于 polynomial 策略，表示末端 LR（注意，该值若生效需要比学习率小）。
polynomial 策略的幂数	仅用于 polynomial 策略，表示幂数。
验证步数	Validation Step，计算验证集Loss的间隔步数；为0时不开启验证，没有相关指标。
早停策略	监控精调任务的指标变化情况，指标连续不变则提前终止任务。

·ERNIE Character

百度自研的垂直场景大语言模型，适合游戏NPC、客服对话、对话角色扮演等应用场景，人设风格更为鲜明、一致，指令遵循能力更强，推理性能更优。

ERNIE-Character-Fiction-8K

单条数据支持8192 tokens。在情节演绎和括号文字等指令遵循能力上表现优异。

• 参数配置

超参数	说明
迭代轮次	迭代轮次（Epoch），控制训练过程中的迭代轮数。可以根据数据规模适当调整Epoch大小，建议设置在1-5之间，小数据量可以适当增大Epoch，让模型充分收敛。
学习率	学习率（LearningRate）是在梯度下降的过程中更新权重时的超参数，过高会导致模型难以收敛，过低则会导致模型收敛速度过慢，平台已给出默认推荐值，可根据经验调整。
序列长度	单条数据的长度，单位为token。
全局批大小	全局批大小（GlobalBatchsize），每次训练迭代使用的样本数，为了加快训练效率，多条样本会使用Packing尽可能拼接到一个序列长度内。
Checkpoint保存个数	训练过程最终要保存的Checkpoint个数，Checkpoint保存会增加训练时长。
Checkpoint保存间隔数	训练过程中保存Checkpoint的间隔Step数。
随机种子	随机种子。
学习率调整计划	学习率调整计划（schedulerType），用于调整训练中学习率的变动方式。
cosine 策略的波数	仅用于 cosine 策略，表示波数。
polynomial 策略的末端 LR	仅用于 polynomial 策略，表示末端 LR（注意，该值若生效需要比学习率小）。
polynomial 策略的幂数	仅用于 polynomial 策略，表示幂数。
验证步数	Validation Step，计算验证集Loss的间隔步数；为0时不开启验证，没有相关指标。
早停策略	监控精调任务的指标变化情况，指标连续不变则提前终止任务。

·Llama-2

Llama 是Meta AI推出的开源大语言模型。千帆ModelBuilder团队在开源模型基础上做了中文增强。

Qianfan-Chinese-Llama-2-13B-v1

单条数据支持4096 tokens。Qianfan-Chinese-Llama-2-13B-v1，千帆ModelBuilder团队在Llama-2-13b基础上的中文增强版本。

• 参数配置

超参数	简单描述
迭代轮次	迭代轮次（epoch），控制训练过程中的迭代轮数。
学习率	学习率（learning_rate）是在梯度下降的过程中更新权重时的超参数，过高会导致模型难以收敛，过低则会导致模型收敛速度过慢，平台已给出默认推荐值，可根据经验调整。
批处理大小	批处理大小（BatchSize）表示在每次训练迭代中使用的样本数。较大的批处理大小可以加速训练，但可能会导致内存问题。
Checkpoint保存个数	训练过程最终要保存的Checkpoint个数，Checkpoint保存会增加训练时长
Checkpoint保存间隔数	训练过程中保存Checkpoint的间隔Step数
验证步数	Validation Step，计算验证集Loss的间隔步数；为0时不开启验证，没有相关指标。

数据配置

训练任务的选择数据及相关配置，大模型调优任务需要匹配纯文本的数据集，您的数据需要大于训练数据1千万tokens，才可以进行任务提交：

数据集来源可以为本平台已发布的数据集版本、BOS或者预置数据集，如果平台没有您准备好的训练数据，您也可以直接创建数据集，如果选择两个及以上的数据集，支持数据配比，数据占比总和等于100%。

您可以通过提高采样率，来提升数据集的占比。 采样率：对数据集进⾏随机采样，取值范围为[0.01-10]。当数据集过⼤或质量不⾼，可以利⽤⽋采样（采样率⼩于1）来缩减训练数据的⼤⼩；当数据集过⼩或质量较⾼，可以利⽤过采样（采样率⼤于1）来增加训练数据的⼤⼩，数值越⼤训练时对该部分数据的关注度越⾼，但训练时⻓及费⽤越⾼，推荐过采样率范围为[1-5]。

注意：任务运行推荐数据量至少10亿tokens，如您试用的话，则推荐1千万tokens及以上的数据量。

混合训练：支持用户使用自身数据与千帆语料数据混合训练，其中包含多行业、多维度的通用语料数据由千帆大模型平台提供。

注意：开启数据配比后，会增加整体训练tokens数，参与计费。

总千帆语料共100B tokens，混入比例的取值范围为[0-100]%。您可查看推荐值输入：

数据拆分比例：比如设置20，则表示选定数据集版本总数的80%作为训练集，20%作为验证集。

若数据集保存在BOS中，请勿在提交任务后修改BOS数据。修改后可能会导致任务失败！

用户百度BOS服务开通申请，关于训练费用可查看价格文档。

以上所有操作完成后，点击“开始训练”，则发起模型训练的任务。

注意：Post-pretrain训练任务规模大，任务需要后台审核后才能开启。另外，数据量至少10亿tokens，如您试用的话，则1千万tokens及以上的数据量会凸显训练效果。