MosaicML 推出 30B 模型 — 挑战 LLaMA、Falcon 和 GPT-Toy模板网

这篇具有很好参考价值的文章主要介绍了MosaicML 推出 30B 模型 — 挑战 LLaMA、Falcon 和 GPT。希望对大家有所帮助。如果存在错误或未考虑完全的地方，请大家不吝赐教，您也可以点击"举报违法"按钮提交疑问。

MosaicML 推出 30B 模型 — 挑战 LLaMA、Falcon 和 GPT

MosaicML正在推出其第二个开源大型语言模型（LLM），称为MPT-30B，这是继五月份首次推出的较小的MPT-7B模型之后。

为了讨论新模型及其对开发人员的意义，我采访了MosaicML联合创始人兼首席执行官Naveen Rao。他之前的创业公司是Nervana，这是一家深度学习公司，于2016年被英特尔收购，所以他最近在人工智能行业并不重要。

顾名思义，MPT-30B是一个300亿参数模型。该公司声称它在质量上超过了OpenAI的GPT-3，尽管其参数数量约为1/6（GPT-3有1750亿个）。“这意味着MPT-30B更容易在本地硬件上运行，并且部署推理的成本要低得多，”该公司表示。

MosaicML vs. LLaMA 和 Falcon

MPT-30B比其他模型（包括GPT-3，LLaMA和Falcon（每个2，000个令牌）在更长的序列（最多8，000个令牌）上进行训练。根据MosaicML的说法，“它旨在在实践中处理更长的序列，使其非常适合数据密集型企业应用程序。

实际上，这意味着用户可以输入更长的提示。事实上，MosaicML之前的7B参数模型带有一个微调选项，称为MPT-7B-StoryWriter-65k+，具有巨大的65，000“上下文长度”。

“更长的上下文[长度]意味着更灵活的用法，”Rao说。“我们将有微调的版本，特别适合写散文——写更长的输出。

MosaicML 推出 30B 模型 — 挑战 LLaMA、Falcon 和 GPT

MosaicML平台;通过其公司博客

Rao想要强调的另一个区别是它的注意力机制。当谷歌在2017年发表其著名的关于变压器技术的论文《注意力是你所需要的一切》（Attention Is All You Need）时，它指出，“多头自我注意”是为AI提供突破的训练机制（OpenAI随后借用这一见解来构建GPT）。

“注意力是变压器模型的内在部分，”Rao解释道。“这实际上使他们能够看到一个句子，一个段落或整个文本语料库的联系。

Rao 告诉我，MosaicML 使用了一种名为“闪光注意力”的技术，这是 2022 年一篇学术论文的主题。

“它使你能够更快地进行推理和训练 - Falcon和LLaMA都没有这个，”他说。“因此，从计算的角度来看，我们的方法实际上效率更高。

Rao补充说，新模型更适合企业使用，因为它“大小合适”以“适应实际硬件的限制”。他指出，深度学习GPU通常使用40-80千兆字节的内存。根据Rao的说法，开源的Falcon LLM正在与这种限制作斗争。

“奇怪的是，他们发布的猎鹰模型是一个400亿参数模型。这不太适合 80 GB GPU，因为它正好靠在边缘。

他补充说，它自己的300亿个参数模型更小，以便更好地针对GPU进行优化。“它并没有真正损害我们的性能，它将让你非常轻松地适应80-gGPU，”他说。

Rao声称其新的30B参数模型在性能上也优于LLaMA和Falcon。

“由于我们的效率方法，我们实际上训练的计算比LLaMA和Falcon少。所以训练实际上要便宜得多。但我们基本上是平价的。这取决于评估指标——比如，对于编码，这个模型实际上比这两个模型做得更好。在其他事情上，情况更糟。

当然，LLaMA和Falcon背后的人可能会对此提出异议。但是很难独立验证MosaicML的说法，因为Rao谈到的三个开源LLM项目（MosaicML，LLaMA或Falcon）都没有使用斯坦福大学的HELM措施进行测试。

MosaicML vs. OpenAI

那么MosaicML的模型与OpenAI的GPT-4相比如何呢？Rao 承认 GPT-4 在大多数方面的能力方面都更胜一筹。然而，他重申，MosaicML的模型提供了更长的上下文长度，这允许独特的用例 - 例如生成F. Scott Fitzgerald的著名小说“了不起的盖茨比”的尾声。（题外话：作为一名前英国文学专业的学生，这是我最不想从法学硕士那里得到的东西！

Rao说，像GPT-4这样的大型模型的主要挑战是运行它们的高成本，这使得大多数企业都不切实际。MosaicML还专注于为具有特定数据（包括敏感数据）的公司提供服务，以微调其特定行业的模型。

在用例方面，Rao解释说，医疗保健和银行业等行业可以从MosaicML解释和汇总大量数据的能力中受益。例如，在医学领域，该模型可以解释实验室结果，并通过分析各种输入来提供对患者病史的见解。

Rao强调了开源模型在这些场景中的重要性，因为健康（或实际上是财务）数据的本质需要在防火墙后面进行安全处理，而不是通过API将其发送给OpenAI之类的公司。

开发人员如何使用 MosaicML

我问开发人员如何开始使用MosaicML的平台。Rao回答说，MosaicML提供了各种选择，具体取决于开发人员的需求和专业知识。对于简单的集成，他们提供了一个类似于其他公司（如OpenAI）的API，允许开发人员轻松地将MosaicML的模型整合到他们的前端应用程序中。他声称，与其他提供商的类似规模的模型相比，MosaicML的模型更具成本效益。

开发人员还可以选择通过使用自己的数据对其进行微调来自定义 MosaicML 模型。他们可以下载模型、进行修改，并使用自定义版本创建自己的 API。

对于拥有大量数据的高级开发人员，Rao表示，MosaicML的工具可用于从头开始预训练自定义模型，并使用MosaicML的平台为它们提供服务。

然后我问了MosaicML与流行的第三方工具（如LangChain）的兼容性。

“你通过LangChain获得的所有工具都可以与我们的API一起使用，”他回答道。“真正酷的是，您可以在与我们一起构建的自定义模型之上使用这些工具。因此，我们基本上在定制方面为开发人员提供了令人难以置信的能力——甚至拥有整个模型。您进入该模型的所有数据（权重，所有内容）都归您所有，因此可以完全自定义。这就是我们实现的目标。有了这些API提供商（如OpenAI），你得到的是你所得到的——零定制。