“只需”10万美元,训练Llama-2级别的大模型。
尺寸更小但性能不减的MoE模型来了:
它叫JetMoE,来自MIT、普林斯顿等研究机构。
性能妥妥超过同等规模的Llama-2。
△贾扬清转发
要知道,后者可是数十亿美元级别的投入成本。
JetMoE发布即完全开源,且学术界友好:仅使用公开数据集和开源代码,用消费级GPU就能进行微调。
不得说,大模型的打造成本,真的比人们想的要便宜更多了。
Ps. Stable Diffusion前老板Emad也点了赞:
10万美刀实现Llama-2性能
JetMoE启发于ModuleFormer的稀疏激活架构。
(ModuleFormer,一种基于稀疏专家混合(SMoE)的模块化架构,可提高大模型效率和灵活性,去年6月提出)
它的注意力层中仍然使用了MoE:
80亿参数的JetMoE一共有24个区块,每块包含2个MoE层,分别是注意力头混合 (MoA) 和MLP专家混合 (MoE)。
每个MoA和MoE层又有8个专家,每次输入token激活2个。
JetMoE-8B使用公开数据集中的1.25T token进行训练,学习率5.0 x 10-4,全局batch size为4M token。
具体训练方案遵循MiniCPM(来自面壁智能,2B模型就能赶超Mistral-7B)的思路,共包含两阶段:
第一阶段使用线性预热的恒定学习率,用来自大规模开源预训练数据集的1万亿个token进行训练,这些数据集包括RefinedWeb、Pile、Github data等等。
第二阶段则使用指数学习率衰减,用2500亿个token训练来自第一阶段数据集和超高质量开源数据集的token。
最终,团队使用96×H100的GPU集群,花费2周时间、约8万美元搞定JetMoE-8B。
更多技术细节将在不久后发布的技术报告上揭露。
而在推理过程中,由于JetMoE-8B仅具有22亿个激活参数,因此计算成本大大降低——
同时,它还收获了不错的性能表现。
如下图所示:
JetMoE-8B在8个评测基准上获得了5个sota(包括大模型竞技场Open LLM Leaderboard),超过LLaMA-13B、LLaMA2-7B和DeepseekMoE-16B。
在MT-Bench基准上得分6.681,也超过了130亿参数的LLaMA2、Vicuna等模型。
作者介绍
JetMoE一共4位作者,分别是:
Yikang Shen
MIT-IBM Watson Lab研究员,研究方向NLP。
本硕毕业于北航,博士经历于Yoshua Bengio创办的Mila研究机构。
国振 (Gavin Guo)
MIT博士在读, 研究方向为3D成像的数据高效机器学习。
UC伯克利本科毕业,去年夏天作为学生研究员加入MIT-IBM Watson Lab,导师为Yikang Shen等人。
蔡天乐
普林斯顿博士在读生,本科毕业于北大应用数学和计算机科学,目前也是Together.ai 的兼职研究员,与Tri Dao合作。
Zengyi Qin
MIT博士在读,同时在创业,MyShell的AI研发主管。
这家公司刚刚融资了1100万美元,投资者包括Transformer的作者。
暂无评论内容