环球视点！重训“羊驼”大模型并彻底开放商用，UC伯克利博士生：Meta不愿做就自己做

丰色 发自 凹非寺

量子位 | 公众号 QbitAI

(相关资料图)

Meta“羊驼”（LLaMA）的开源可商用复现品OpenLLaMA发布重大更新：

在1T token上训练出来的130亿参数版本现已正式上线。

至此，这一训练量和原版羊驼已完全一致。

与此同时，之前发布的70亿以及30亿参数版本也完成了1T token的训练，并发布PyTorch和JAX权重。

可谓“一家人整整齐齐”。

性能测试显示，OpenLLaMA在多项任务中的表现都与原始LLaMA相当，并且不乏超越的情况。

一个彻底开源且供商用的LLaMA竞品家族就此诞生了。

目前，OpenLLaMA在GitHub上的标星数已近5k。

重训“羊驼”，最香替代品全面开放商用

OpenLLaMA是UC伯克利的博士生Hao Liu发起的项目（Xinyang Geng拥有同等贡献，也是该校博士生）。

它在Together公司发布的RedPajama数据集上训练，该数据集其实也是LLaMA训练集的复制品，一共包含1.2T token。

除了数据集不太一样之外，OpenLLaMA使用了与原始LLaMA完全相同的预处理步骤和训练超参数，包括模型架构、上下文长度、训练步骤、学习率时间表和优化器，可以说是“重训”了一把。

今年5月，该团队率先发布了70亿参数版本，不过当时训练token还是3000亿。

按照计划，如今和原LLaMA训练数据量一致的130亿参数版本和70亿、30亿版本一同发布。

据介绍，130亿版本是与Stability AI合作训练的，后者主要提供计算资源（当初Stable Diffusion也是这么与Stability AI合作）。

和另外两个版本一样，OpenLLaMA-13B也以两种格式发布权重：

一是用于Hugging Face transformer的PyTorch格式。

使用该格式时需要注意先避免使用Hugging Face快速分词器（tokenizer），因为它的自动转换功能有时会给出不正确的tokenization。

所以可以先直接使用LlamaTokenizer class来实现，或者用AutoTokenizer class，将use_fast赋为False。

二是用于EasyLM框架的EasyLM格式。

在此请注意，与原始LLaMA不同，该OpenLLaMA的分词器和权重是完全从头开始训练的，因此不再需要获取原始 LLaMA的这俩信息。

接下来，在训练量已达成一致的情况下，看OpenLLaMA各规模模型的性能表现如何。

在这里，作者使用EleutherAI发布的自回归语言模型few-shot评估框架（lm-evaluation-harness）对两只“羊驼”进行评估，以及还加入了“第三者”：

EleutherAI在Pile数据集上训练的60亿参数模型GPT-J，它的训练token数是5000亿。

需要注意的是，可能是因为不同的评估协议，作者跑出来的LLaMA结果与原始LLaMA略有不同。

以下是结果：

红色小方框为OpenLLaMA超过或者与原LLaMA表现一样的情况。

在红框之外，两者的差距也不大。

而从平均表现来看，OpenLLaMA-7B和LLaMA-7B得分都是0.55，OpenLLaMA-13B和LLaMA-13B也都一样，为0.57，主打一个势均力敌。

与此同时，只有30亿参数的OpenLLaMA平均性能超越60亿参数的GPT-J。

Meta也要发可商用大模型了

特斯拉前AI高级总监Andrej Karpathy在上个月的微软Build大会的演讲上，曾多次表达一个意思：

LLaMA-65b就是目前最好的开源基础模型，可惜没能商用。

现在，650亿的商用平替羊驼虽然还没出现，130亿和70亿是已经妥妥安排好了。

不过，也有一则好消息。

就在几天前，据The Information爆料，Meta AI正计划发布一个新的LLM，并且免费供大家商用。

有观点指出，在如今行业大佬如谷歌Bard和OpenAI ChatGPT都“紧闭大门”的情况下，Meta这一做法可能会引发连锁反应，并且开源模型和闭源模型的差距会越来越小。

就且拭目以待。

关于OpenLLaMA的所有相关链接：

https://github.com/openlm-research/open_llama

https://huggingface.co/openlm-research/open_llama_13b

关键词：