權(quán)重、代碼、數(shù)據(jù)集全開源，性能超越Mistral-7B，蘋果小模型來了
小模型成趨勢？
本周，OpenAI 上線小模型 GPT-4o-mini，小模型賽道正式開卷。近期加入這一賽道的還有蘋果。
最近，蘋果公司作為 DataComp-LM（DCLM）項目的研究機構(gòu)之一，在 Hugging Face 上發(fā)布了 DCLM-7B 開源模型。該模型性能已經(jīng)超越了 Mistral-7B，并且正在逼近其他領(lǐng)先的開源模型，包括 Llama 3 和 Gemma。
- 論文鏈接：https://arxiv.org/pdf/2406.11794
- 項目鏈接：https://huggingface.co/apple/DCLM-7B
論文作者之一、蘋果機器學習團隊 Vaishaal Shankar 將 DCLM 模型描述為「真正開源的最佳模型」，因為 DCLM 不僅開源了模型權(quán)重，還開源了訓練代碼和預(yù)訓練數(shù)據(jù)集。
研究介紹
大型語言模型（LLM）目前面臨的一個評估挑戰(zhàn)是缺乏受控比較。LLM 研究通常會比較采用不同架構(gòu)、計算或超參數(shù)的模型，因此難以理清影響語言模型質(zhì)量的因素。
基于此，研究團隊提出了語言模型數(shù)據(jù)比較新基準 ——DCLM，這是語言模型訓練數(shù)據(jù)整編（curation）的第一個基準，旨在讓 LLM 通過設(shè)計高質(zhì)量數(shù)據(jù)集來提高模型性能，特別是在多模態(tài)領(lǐng)域。
研究團隊發(fā)現(xiàn)基于模型的過濾，即由機器學習 (ML) 模型從較大的數(shù)據(jù)集中自動過濾和選擇高質(zhì)量數(shù)據(jù)，可能是構(gòu)建高質(zhì)量訓練集的關(guān)鍵。
DCLM 整體思路很簡單：使用一個標準化的框架來進行實驗，包括固定的模型架構(gòu)、訓練代碼、超參數(shù)和評估，最終找出哪種數(shù)據(jù)整理策略最適合訓練出高性能的模型。
使用 DCLM，研究團隊構(gòu)建了一個高質(zhì)量數(shù)據(jù)集 DCLM-BASELINE，并用該數(shù)據(jù)集從頭開始訓練了一個 7B 參數(shù)模型 —— DCLM-7B。
DCLM-7B 模型的細節(jié)。
DCLM-7B 使用基于 OpenLM 框架的預(yù)訓練方案，在 MMLU 基準上 5-shot 準確率達到 64%，可與 Mistral-7B-v0.3（63%）和 Llama 3 8B（66%）相媲美，并且在 53 個自然語言理解任務(wù)上的平均表現(xiàn)也可與 Mistral-7B-v0.3、Llama 3 8B 相媲美，而所需計算量僅為 Llama 3 8B 的 1/6。
以下是 DCLM-7B 在各種任務(wù)（部分）上的評估結(jié)果：
DCLM-7B 與其他同等大小模型比較結(jié)果如下表所示：
值得注意的是，大部分其他模型雖然開放權(quán)重但封閉數(shù)據(jù)。這就是 Vaishaal Shankar 將 DCLM 模型描述為「真正開源」的原因。
參考鏈接：https://venturebeat.com/ai/apple-shows-off-open-ai-prowess-new-models-outperform-mistral-and-hugging-face-offerings/。
