10萬美元訓(xùn)出Llama-2級大模型！全華人打造新型MoE，賈揚(yáng)清SD前CEO圍觀
“只需”10萬美元，訓(xùn)練Llama-2級別的大模型。
尺寸更小但性能不減的MoE模型來了：
它叫JetMoE，來自MIT、普林斯頓等研究機(jī)構(gòu)。
性能妥妥超過同等規(guī)模的Llama-2。
△賈揚(yáng)清轉(zhuǎn)發(fā)
要知道，后者可是數(shù)十億美元級別的投入成本。
JetMoE發(fā)布即完全開源，且學(xué)術(shù)界友好：僅使用公開數(shù)據(jù)集和開源代碼，用消費(fèi)級GPU就能進(jìn)行微調(diào)。
不得說，大模型的打造成本，真的比人們想的要便宜更多了。
Ps. Stable Diffusion前老板Emad也點(diǎn)了贊：
10萬美刀實(shí)現(xiàn)Llama-2性能
JetMoE啟發(fā)于ModuleFormer的稀疏激活架構(gòu)。
（ModuleFormer，一種基于稀疏專家混合(SMoE)的模塊化架構(gòu)，可提高大模型效率和靈活性，去年6月提出）它的注意力層中仍然使用了MoE：
80億參數(shù)的JetMoE一共有24個(gè)區(qū)塊，每塊包含2個(gè)MoE層，分別是注意力頭混合 (MoA) 和MLP專家混合 (MoE）。
每個(gè)MoA和MoE層又有8個(gè)專家，每次輸入token激活2個(gè)。
JetMoE-8B使用公開數(shù)據(jù)集中的1.25T token進(jìn)行訓(xùn)練，學(xué)習(xí)率5.0 x 10-4，全局batch size為4M token。
具體訓(xùn)練方案遵循MiniCPM（來自面壁智能，2B模型就能趕超Mistral-7B）的思路，共包含兩階段：
第一階段使用線性預(yù)熱的恒定學(xué)習(xí)率，用來自大規(guī)模開源預(yù)訓(xùn)練數(shù)據(jù)集的1萬億個(gè)token進(jìn)行訓(xùn)練，這些數(shù)據(jù)集包括RefinedWeb、Pile、Github data等等。
第二階段則使用指數(shù)學(xué)習(xí)率衰減，用2500億個(gè)token訓(xùn)練來自第一階段數(shù)據(jù)集和超高質(zhì)量開源數(shù)據(jù)集的token。
最終，團(tuán)隊(duì)使用96×H100的GPU集群，花費(fèi)2周時(shí)間、約8萬美元搞定JetMoE-8B。
更多技術(shù)細(xì)節(jié)將在不久后發(fā)布的技術(shù)報(bào)告上揭露。
而在推理過程中，由于JetMoE-8B僅具有22億個(gè)激活參數(shù)，因此計(jì)算成本大大降低——
同時(shí)，它還收獲了不錯(cuò)的性能表現(xiàn)。
如下圖所示：
JetMoE-8B在8個(gè)評測基準(zhǔn)上獲得了5個(gè)sota（包括大模型競技場Open LLMLeaderboard），超過LLaMA-13B、LLaMA2-7B和DeepseekMoE-16B。
在MT-Bench基準(zhǔn)上得分6.681，也超過了130億參數(shù)的LLaMA2、Vicuna等模型。
作者介紹
JetMoE一共4位作者，分別是：
- Yikang Shen
MIT-IBM Watson Lab研究員，研究方向NLP。
本碩畢業(yè)于北航，博士經(jīng)歷于Yoshua Bengio創(chuàng)辦的Mila研究機(jī)構(gòu)。
- 國振 (Gavin Guo)
MIT博士在讀， 研究方向?yàn)?D成像的數(shù)據(jù)高效機(jī)器學(xué)習(xí)。
UC伯克利本科畢業(yè)，去年夏天作為學(xué)生研究員加入MIT-IBM Watson Lab，導(dǎo)師為Yikang Shen等人。
- 蔡天樂
普林斯頓博士在讀生，本科畢業(yè)于北大應(yīng)用數(shù)學(xué)和計(jì)算機(jī)科學(xué)，??目前也是Together.ai?? 的兼職研究員，與Tri Dao合作。
- Zengyi Qin
MIT博士在讀，同時(shí)在創(chuàng)業(yè)，MyShell的AI研發(fā)主管。
這家公司剛剛?cè)谫Y了1100萬美元，投資者包括Transformer的作者。
傳送門：?????https://github.com/myshell-ai/JetMoE??
本文轉(zhuǎn)自 量子位 ，作者：量子位
