金磊 發自 凹非寺
量子位 | 公眾號 QbitAI
一個體量僅為2B的大模型,能有什麼用?
答案可能超出你的想像。
因為若是用四個字來概括,那就是「多、快、好、省」:
- 多:它是業界第一個在端側部署多模態的大模型。
- 快:一張1080Ti可高效微調、一台機器可以持續訓練。
- 好:性能跟體量極具反差感,在多項成績中超越了一眾主流「大體量」大模型。
- 省:1元=1700000 tokens,成本為Mistral-Medium百分之一
那麼,這個能夠「以小博大」,頗有四兩撥千斤意味的大模型,到底什麼來頭?
不賣關子,它正是由清華系初創公司面壁智能最新發布的旗艦終端大模型——MiniCPM。
並且團隊還給它起了個別具一格的昵稱——小鋼炮。
而在眾多亮點之間,最令人意外的還是小鋼炮用2B的「姿勢」所表現出來的性能。
例如與同樣是採用「以小博大」路數的大模型標杆之作Mistral-7B做比較,小鋼炮多項標準測試成績均勝出:
再把與小鋼炮同「體量」的選手拉出來,大部分能力依舊是處於領先,並且英文能力還是較為出眾的那種:
即使把Mistral-7B更大的模型拉進來同台比擂,例如Llama2-13B、MPT-13B、Falcon 40B,多項成績較為出眾的仍是小鋼炮:
若不論大模型的尺寸,把主流的全部囊括進來,在最接近人評的測試集MT-Bench中比較,小鋼炮也取得了較為不錯的成績:
不僅如此,根據面壁智能CEO李大海的介紹:
int4量化版小鋼炮,可以在快閃記憶體應用壓縮75%的情況下,性能可以做到基本無損耗。
有一說一,成績和榜單是大模型能力的一方面,但更重要的還是要看大模型在實際應用中的效果。
2B「小鋼炮」效果一覽
老規矩,我們還是從不同維度來看下小鋼炮的實際應用效果。
中英夾雜提問,精準翻譯成法語
讓大模型在兩種語言之間做翻譯已然是件常見的事情。
團隊在現場給小鋼炮的翻譯任務加了一把難度,中英混合提問,並要求把整句翻譯成法語:
Translate this sentence into French: 「I am a fresh man on Chinese, do you know how this sentence is translated: 如何用Python創建一個簡單的網頁爬蟲?」
從翻譯結果來看,小鋼炮準確地理解了中英混合的表述,並按照要求給出了精準的法語翻譯。
如果讓人類給一句話添加emoji,那麼過程大致是要先理解這句話,然後再在恰當的位置塞進emoji表情。
那麼這個任務小鋼炮是否能hold住呢?
請看結果:
生日是要[慶祝]的,[蛋糕]和[玫瑰]也精準塞進了恰當位置,最重要是小鋼炮理解到了這句話是表達[愛意]。
再如「山東省最高的山是那座山,它比黃山高還是矮?差距多少?」這樣的問題,小鋼炮也是輕鬆應對:
小鋼炮給自己寫代碼
大模型對給定的任務寫代碼現在也是司空見慣了。
如果讓大模型給自己寫段代碼呢?請聽題:
編寫一個Python程序來實現一個MiniCPM模型(Transformer結構,40層,每層維度為2304,詞表大小為122753)。
小鋼炮在接收到任務之後,隨即開始「自己給自己寫代碼」,並且每一步的步驟內容也是非常清晰:導入所需庫→定義模型結構→定義訓練和評估函數→訓練模型→評估模型性能。
多模態首次上手機
正如我們剛才提到的,小鋼炮的亮點之一就是它是業界第一個在端側部署多模態的大模型。
在現場,李大海也對此做了相應的展示。
例如先「喂」給手機里的小鋼炮一張圖,並提問「這個蘑菇的名字是什麼?有毒么」,小鋼炮就會先看圖再作答:
這根蘑菇的名稱是「蠅鵝膏」。它有毒,可以引起噁心、嘔吐和腹瀉等癥狀。
當然,連續追問、上下文對話也是不在話下:
據了解,上面展示的這些能力都是在量化版小鋼炮+OPPO手機+驍龍855晶元這個配置之下完成的。
之所以如此,是因為團隊想要展示小鋼炮是一個「省錢的大模型」。
怎麼理解?
剛才手機里GPU的成本大約600元,每秒7.5tokens,假設運行5年報廢,共計170萬tokens,則其推理成本僅為1元。
如此,便可以得到一個成本公式:
1元=1700000tokens。
相比GPT-4的推理成本,1元=4700tokens,可以說是指數級的把價格打下去。
即便是與Mistral-medium相比,成本也是其1/100。
這次也同步開源了一個更大也更好展示多模態能力的OmniLMM-12B,玩法就變得更多了。
例如舉著手機,在攝像頭下方比劃石頭、剪刀、布,並向小鋼炮提問:
我現在玩的可能是什麼遊戲?
小鋼炮看完之後,在理解基礎上便會開始作答:
你可能在玩的遊戲是石頭剪刀布。
然後繼續給小鋼炮看一眼「拳頭」,並發問:
手勢在遊戲中是什麼意思?
繼續給小鋼炮看一眼「拳頭」,並發問:
如何在遊戲中贏我?
小鋼炮思考片刻後,給出了正確答案:
要在遊戲中獲勝,另一玩家需要出布。
值得一提的是,從上面的演示中,我們可以看到小鋼炮在處理過程中是有一段時間的延遲。
現場也有人調侃說「我看這個視頻演示沒有加美顏」(指加速處理)。
對此,面壁智能聯合創始人、清華大學副教授劉知遠回答說:
沒錯,我們不加「美顏」,比較樸實。
而且小鋼炮在多模態這塊還是提高的空間的。
怎麼做到的?
整體來看,面壁智能在技術路線上一直高舉「高效」大旗,主要是從AI的三大要素作為突破口,即算力、演算法和數據。
在算力層面上,面壁智能認為「Infra是大模型創業護城河」,Infra可以決定一家創業公司的技術上限。
若是沒有一個足夠「能打」的Infra,即使短期內能夠打造較好的模型,但越往後、越深入時會發現很快就會遇到技術瓶頸。
因此,在早年前,團隊便在業內較早地提出了BMTrain,一個分散式的高效訓練框架。
有了它,很深入地優化工作就可以快速地結合Infra落地實現。
除此之外,團隊陸續還推出了高效推理框架BMInf、高效壓縮框架BMCook,以及高效微調框架BMTune等等。
有這些具體的工具,便形成了面壁智能在算力層面的殺手鐧——面壁ModelForce,全流程優化加速套件平台。
在演算法層面上,面壁智能在技術發展過程中所積累出來的利器則是面壁模型沙盒(Model Sandbox)。
這實則也是一種方法論,可以將大模型從過去的煉丹形式變成了一種實驗科學。
而在歷經上千次的模型沙盒實驗之後,團隊在演算法中的各種細節上也得到了一系列業界最優配置。
例如最優批次大小(batch size),可以大幅節省大模型訓練時的token量;再如所有尺寸的模型可以通過最優的超參數的配製,保證訓練任意大小的模型取得最好的效果等等。
最後在數據層面上,優秀的數據也決定了大模型最後性能的成敗。
而這次小鋼炮的誕生,面壁智能僅僅是用了所積累的優質數據中,通過方法論所精選出來的1T。
值得一提的是,為了行業更好的交流和發展,面壁智能開源了訓練、退火兩個階段來的數據配方來供參考。
除此之外,與小鋼炮相關的更多技術細節以及如何在手機上部署的教程等,均已經在GitHub中開源。
感興趣的小夥伴,可以在文末鏈接處了解更多詳情~
不過最後,還有一個問題值得討論來一波:
大模型,為什麼往「小」了搞?
其實在2023年,在大模型以小博大方面,便已經開始有了苗頭。
最為典型的,就是小鋼炮此次對標的Mistral-7B。
在它剛剛出道之際,便以更小的「姿勢」擊敗了更大體量的Llama2-13B、Llama 1(34B)等一眾大模型。
這就為「比大更大」內卷下的模型圈帶來了一定啟發。
不過在此背後,大模型往「小」了做,所體現的是一種更大的趨勢。
一方面,從大模型從2022年底爆火至今,一個非常明顯的變化就是從專註訓練,逐漸轉向推理。
這是一個技術發展必然的結果,要從比性能和結果,到比誰的大模型更好用;而這個「用」,最好、最直接的體現就應當是在端側誰可以更「多快好省」地運行。
對此,李大海表示:
站在大模型時代之下,我們都在提的一個概念便是「AI原生應用」;這個時代需要的全新操作系統,就是AI原生應用+AI原生硬體。
而其中的AI原生硬體,其實很簡單,就是只要能在端側運行大模型的硬體就是原生硬體。
因此,端側的大模型就顯得格外重要。
另一方面,市場的表現也是印證大模型往「小」發展的一點。
自從去年7月開始,非常明顯的一點是,眾多主流手機廠商、PC、汽車品牌,陸續在宣布接入大模型。
手機廠商例如華為、小米、榮耀、OPPO、Vivo、三星等;車企包括小鵬、蔚來、理想、吉利等等。
需求之大,可見一斑。
值得一提的是,從小鋼炮在GitHub開源的內容來看,目前它已經在眾多品牌的老機型上做了部署實驗。
因此,老手機上跑大模型也成為了一種可能。
不過細心的朋友也注意到了,面壁智能其實從成立至今,也僅有短短一年的時間。
這就不禁讓人發問:一年時間是如何在技術上做到的這般突破?
其實在此背後,更多的是清華系成員們在公司成立之前,長久以來在技術上的積累與跟進。
早在2018年,面壁智能的核心技術團隊在BERT發布之後,便聚焦在清華NLP實驗的相關工作,發布過全球首個知識指導的預訓練模型ERNIE。
隨後在2020年,他們也作為「悟道」大模型首發主力陣容發布了全球第一個20億級中文開源大模型CPM 1,也持續參與了之後的CPM 2和CPM 3。
除此之外,在2022年,在開源相關工作中,面壁智能核心成員也參與到了OpenBMB開源社區的成立與運作。
由此可見,面壁智能的核心技術成員是屬於中國最早進行大模型研究的那一批。
正是基於這樣的技術積累,也就不難理解面壁智能為何能夠在短短一年時間內交出如此之多的「作業」了:
據了解,截至目前,面壁智能擁有100多人的科研團隊。
雖然平均年齡僅為28歲,但清北含量高達80%,也有來自阿里、位元組、百度等國內外知名大廠的工程團隊。
加上團隊還主打一個「雙CP」組合,即大將里的「小哥哥」+「小鮮肉」里的大將,這種經驗與創新的碰撞,或許也是推動發展進程的原動力之一。
誠然,開年小鋼炮的發布給大模型帶來了不少驚艷,但也正如團隊所說,相關工作還有許多需要改進之處。
因此面壁智能在接下來的新進展,是值得關注的。
One More Thing
在小鋼炮發布現場,一張五道口大模型Valley圖格外吸睛。
用李大海的話來說:
這是全中國大模型最密集的地區。
嗯,五道口,不愧是「宇宙中心」。
開源地址(內含技術報告):
MiniCPM GitHub:
https://github.com/OpenBMB/MiniCPM
OmniLMM GitHub:
https://github.com/OpenBMB/OmniLMM
— 完 —
量子位 QbitAI · 頭條號簽約
關注我們,第一時間獲知前沿科技動態