MosaicML正在推出其第二個開源大型語言模型（LLM），稱為MPT-30B，這是繼五月份首次推出的較小的MPT-7B模型之后。

(資料圖片)

為了討論新模型及其對開發(fā)人員的意義，我采訪了MosaicML聯(lián)合創(chuàng)始人兼首席執(zhí)行官Naveen Rao。他之前的創(chuàng)業(yè)公司是Nervana，這是一家深度學習公司，于2016年被英特爾收購，所以他最近在人工智能行業(yè)并不重要。

顧名思義，MPT-30B是一個300億參數(shù)模型。該公司聲稱它在質(zhì)量上超過了OpenAI的GPT-3，盡管其參數(shù)數(shù)量約為1/6（GPT-3有1750億個）?！斑@意味著MPT-30B更容易在本地硬件上運行，并且部署推理的成本要低得多，”該公司表示。

MosaicML vs. LLaMA 和 Falcon

MPT-30B比其他模型（包括GPT-3，LLaMA和Falcon（每個2，000個令牌）在更長的序列（最多8，000個令牌）上進行訓練。根據(jù)MosaicML的說法，“它旨在在實踐中處理更長的序列，使其非常適合數(shù)據(jù)密集型企業(yè)應用程序。

實際上，這意味著用戶可以輸入更長的提示。事實上，MosaicML之前的7B參數(shù)模型帶有一個微調(diào)選項，稱為MPT-7B-StoryWriter-65k+，具有巨大的65，000“上下文長度”。

“更長的上下文[長度]意味著更靈活的用法，”Rao說?！拔覀儗⒂形⒄{(diào)的版本，特別適合寫散文——寫更長的輸出。

MosaicML平臺;通過其公司博客

Rao想要強調(diào)的另一個區(qū)別是它的注意力機制。當谷歌在2017年發(fā)表其著名的關于變壓器技術的論文《注意力是你所需要的一切》（Attention Is All You Need）時，它指出，“多頭自我注意”是為AI提供突破的訓練機制（OpenAI隨后借用這一見解來構建GPT）。

“注意力是變壓器模型的內(nèi)在部分，”Rao解釋道?！斑@實際上使他們能夠看到一個句子，一個段落或整個文本語料庫的聯(lián)系。

Rao 告訴我，MosaicML 使用了一種名為“閃光注意力”的技術，這是 2022 年一篇學術論文的主題。

“它使你能夠更快地進行推理和訓練 - Falcon和LLaMA都沒有這個，”他說?！耙虼?，從計算的角度來看，我們的方法實際上效率更高。

Rao補充說，新模型更適合企業(yè)使用，因為它“大小合適”以“適應實際硬件的限制”。他指出，深度學習GPU通常使用40-80千兆字節(jié)的內(nèi)存。根據(jù)Rao的說法，開源的Falcon LLM正在與這種限制作斗爭。

“奇怪的是，他們發(fā)布的獵鷹模型是一個400億參數(shù)模型。這不太適合 80 GB GPU，因為它正好靠在邊緣。

他補充說，它自己的300億個參數(shù)模型更小，以便更好地針對GPU進行優(yōu)化?！八]有真正損害我們的性能，它將讓你非常輕松地適應80-gGPU，”他說。

Rao聲稱其新的30B參數(shù)模型在性能上也優(yōu)于LLaMA和Falcon。

“由于我們的效率方法，我們實際上訓練的計算比LLaMA和Falcon少。所以訓練實際上要便宜得多。但我們基本上是平價的。這取決于評估指標——比如，對于編碼，這個模型實際上比這兩個模型做得更好。在其他事情上，情況更糟。

當然，LLaMA和Falcon背后的人可能會對此提出異議。但是很難獨立驗證MosaicML的說法，因為Rao談到的三個開源LLM項目（MosaicML，LLaMA或Falcon）都沒有使用斯坦福大學的HELM措施進行測試。

MosaicML vs. OpenAI

那么MosaicML的模型與OpenAI的GPT-4相比如何呢？Rao 承認 GPT-4 在大多數(shù)方面的能力方面都更勝一籌。然而，他重申，MosaicML的模型提供了更長的上下文長度，這允許獨特的用例 - 例如生成F. Scott Fitzgerald的著名小說“了不起的蓋茨比”的尾聲。（題外話：作為一名前英國文學專業(yè)的學生，這是我最不想從法學碩士那里得到的東西！

Rao說，像GPT-4這樣的大型模型的主要挑戰(zhàn)是運行它們的高成本，這使得大多數(shù)企業(yè)都不切實際。MosaicML還專注于為具有特定數(shù)據(jù)（包括敏感數(shù)據(jù)）的公司提供服務，以微調(diào)其特定行業(yè)的模型。

在用例方面，Rao解釋說，醫(yī)療保健和銀行業(yè)等行業(yè)可以從MosaicML解釋和匯總大量數(shù)據(jù)的能力中受益。例如，在醫(yī)學領域，該模型可以解釋實驗室結果，并通過分析各種輸入來提供對患者病史的見解。

Rao強調(diào)了開源模型在這些場景中的重要性，因為健康（或?qū)嶋H上是財務）數(shù)據(jù)的本質(zhì)需要在防火墻后面進行安全處理，而不是通過API將其發(fā)送給OpenAI之類的公司。

開發(fā)人員如何使用 MosaicML

我問開發(fā)人員如何開始使用MosaicML的平臺。Rao回答說，MosaicML提供了各種選擇，具體取決于開發(fā)人員的需求和專業(yè)知識。對于簡單的集成，他們提供了一個類似于其他公司（如OpenAI）的API，允許開發(fā)人員輕松地將MosaicML的模型整合到他們的前端應用程序中。他聲稱，與其他提供商的類似規(guī)模的模型相比，MosaicML的模型更具成本效益。

開發(fā)人員還可以選擇通過使用自己的數(shù)據(jù)對其進行微調(diào)來自定義 MosaicML 模型。他們可以下載模型、進行修改，并使用自定義版本創(chuàng)建自己的 API。

對于擁有大量數(shù)據(jù)的高級開發(fā)人員，Rao表示，MosaicML的工具可用于從頭開始預訓練自定義模型，并使用MosaicML的平臺為它們提供服務。

然后我問了MosaicML與流行的第三方工具（如LangChain）的兼容性。

“你通過LangChain獲得的所有工具都可以與我們的API一起使用，”他回答道?！罢嬲岬氖?，您可以在與我們一起構建的自定義模型之上使用這些工具。因此，我們基本上在定制方面為開發(fā)人員提供了令人難以置信的能力——甚至擁有整個模型。您進入該模型的所有數(shù)據(jù)（權重，所有內(nèi)容）都歸您所有，因此可以完全自定義。這就是我們實現(xiàn)的目標。有了這些API提供商（如OpenAI），你得到的是你所得到的——零定制。

團隊開源

盡管在我們的采訪中談到了LLaMA和Falcon，但最終Rao認為他們都在同一個團隊中 - 而像OpenAI這樣的專有平臺才是真正的競爭對手。

“這使權力回到了企業(yè)開發(fā)人員手中，”他說，關于開源LLM，“將所有這些放在一個集中的地方，在那里你可以得到你得到的東西，這是一個很大的負面結果。

他還堅持認為，開源LLM正在“縮小與這些閉源模型的差距”。他承認，也許還沒有完全，但他認為開放的LLM已經(jīng)“跨越了這些模型實際上非常有用的門檻”。

MosaicML推出30B模型 - 接受LLaMA，F(xiàn)alcon和GPT的帖子首先出現(xiàn)在The New Stack上。

關鍵詞：