自动测试分数达到ChatGPT的99.3%,人类难以分辨两者的回答…… 这是开源大模型最新成果,来自羊驼家族的又一重磅成员——华盛顿大学原驼(Guanaco)。 更关键的是,与原驼一起提出的新方法QLoRA把微调大模型的显存需求从>780GB降低到<48GB。 开源社区直接开始狂欢,相关论文成为24小时内关注度最高的AI论文。 以Meta的美洲驼LLaMA为基础,得到原驼650亿参数版只需要48GB显存单卡微调24小时,330亿参数版只需要24GB显存单卡微调12小时。 24GB显存,也就是一块消费级RTX3090或RTX4090显卡足以。 不少网友在测试后也表示,更喜欢它而不是ChatGPT。 英伟达科学家Jim Fan博士对此评价为:大模型小型化的又一里程碑。
而新的高效微调方法QLoRA迅速被开源社区接受,HuggingFace也在第一时间整合上线了相关代码。 GPT-4做裁判,原驼得分达到ChatGPT的99.3%论文中,团队对原驼总共做了三项测试,自动评估、随机匹配和人类评估。 测试数据来自小羊驼Vicuna和Open Assistant。 自动评估由大模型天花板GPT-4当裁判,对不同模型的回答进行打分,以ChatGPT(GPT3.5)的成绩作为100%。 最终原驼650亿版得分达到ChatGPT的99.3%,而GPT-4自己的得分是114.5%,谷歌Bard是94.8%。 随机匹配,采用棋类专业比赛和电子竞技同款的Elo记分机制,由GPT-4和人类共同做裁判。 原驼650亿和330亿版最终得分超过ChatGPT(GPT3.5)。 人类评估,则是把原驼650亿版的回答和ChatGPT的回答匿名乱序放在一起,人类来盲选哪个最好。 论文共同一作表示,研究团队里的人都很难分辨出来,并把测试做成了一个小游戏放在Colab上,开放给大家挑战。 这里节选其中一个问题(附中文翻译),你能分辨出哪个是ChatGPT回答的吗? 问题:How can I improve my time management skills?(如何提高时间管理技能?) (完整测试地址在文末) 总的来说,原驼的优势在于不容易被问题中的错误信息误导,比如能指出地球从来没有被科学界认为是平的。 以及擅长心智理论(Theory of Mind),也就是能推测理解他人的心理状态。 但原驼也并非没有弱点,团队发发现它不太擅长数学,以及容易用提示注入攻击把要求保密的信息从它嘴里套出来。 也有网友表示,虽然一个模型能在某个数据集上无限接近ChatGPT,但像ChatGPT那样通用还是很难的。 全新方法QLoRA,iPhone都能微调大模型了原驼论文的核心贡献是提出新的微调方法QLoRA。 其中Q代表量化(Quantization),用低精度数据类型去逼近神经网络中的高精度浮点数,以提高运算效率。 LoRA是微软团队在2021年提出的低秩适应(Low-Rank Adaptation)高效微调方法,LoRA后来被移植到AI绘画领域更被大众熟知,但最早其实就是用于大语言模型的。 通常来说,LoRA微调与全量微调相比效果会更差,但团队将LoRA添加到所有的线性层解决了这个问题。 具体来说,QLoRA结合了4-bit量化和LoRA,以及团队新创的三个技巧:新数据类型4-bit NormalFloat、分页优化器(Paged Optimizers)和双重量化(Double Quantization)。 最终QLoRA让4-bit的原驼在所有场景和规模的测试中匹配16-bit的性能。 QLoRA的高效率,让团队在华盛顿大学的小型GPU集群上每天可以微调LLaMA 100多次…… 最终使用Open Assistant数据集微调的版本性能胜出,成为原驼大模型。 Open Assistant数据集来自非盈利研究组织LAION(训练Stable Diffusion的数据集也来自这里),虽然只有9000个样本但质量很高,经过开源社区的人工仔细验证。 这9000条样本用于微调大模型,比100万条指令微调(Instruction Finetune)样本的谷歌FLAN v2效果还好。 研究团队也据此提出两个关键结论:
最后,QLoRA的高效率,还意味着可以用在手机上,论文共同一作Tim Dettmers估计以iPhone 12 Plus的算力每个晚上能微调300万个单词的数据量。
论文: GitHub: 与ChatGPT对比测试: 330亿参数版在线试玩: 参考链接: — 完 — 「AIGC行业社群」招募中! |
|