Meta首款多模態(tài)Llama 3.2開源！1B羊駝寶寶，跑在手機(jī)上了

作者：新智元 2024-09-26 14:40:45

人工智能

Meta首個(gè)理解圖文的多模態(tài)Llama 3.2來了！這次，除了11B和90B兩個(gè)基礎(chǔ)版本，Meta還推出了僅有1B和3B輕量級版本，適配了Arm處理器，手機(jī)、AR眼鏡邊緣設(shè)備皆可用。

Llama 3.1超大杯405B剛過去兩個(gè)月，全新升級后的Llama 3.2來了！

這次，最大的亮點(diǎn)在于，Llama 3.2成為羊駝家族中，首個(gè)支持多模態(tài)能力的模型。

Connect大會(huì)上，新出爐的Llama 3.2包含了小型（11B）和中型（90B）兩種版本的主要視覺模型。

正如Meta所說，這兩款模型能夠直接替代，相對應(yīng)的文本模型，而且在圖像理解任務(wù)上擊敗了閉源Claude 3 Haiku。

甚至，90B版本擊敗了GPT-4o mini。

圖片

就連英偉達(dá)高級科學(xué)家Jim Fan都不禁夸贊，在輕量級模型中，開源社區(qū)整體上并不落后！

圖片

同時(shí)，為了適配邊緣計(jì)算和終端設(shè)備，Meta還推出了1B和3B兩個(gè)輕量級純文本的版本，可支持128K上下文。

圖片

別看參數(shù)少，1B/3B在總結(jié)摘要、指令遵循、重寫等任務(wù)上，表現(xiàn)非常出色，而且專為Arm處理器做了優(yōu)化。

LeCun激動(dòng)地表示，「可愛的大羊駝寶寶來了」！

圖片

Meta首席技術(shù)官對Llama 3.2的發(fā)布，做了兩大亮點(diǎn)總結(jié)：

首個(gè)既能識別圖像，又能理解文本的多模態(tài)模型。最重要的是，能夠媲美閉源模型
超輕量1B/3B模型，解鎖更多終端設(shè)備可能性

圖片

有網(wǎng)友對此點(diǎn)評道，這可能是改變游戲規(guī)則的進(jìn)步，邊緣設(shè)備AI正在壯大。

圖片

能力一覽

11B和90B這兩款模型，不僅支持圖像推理場景，包括圖表和圖形在內(nèi)的文檔級理解、圖像描述以及視覺定位任務(wù)，而且還能基于現(xiàn)有圖表進(jìn)行推理并快速給出回答。

比如，你可以問「去年哪個(gè)月銷售業(yè)績最好？」，Llama 3.2就會(huì)根據(jù)現(xiàn)有圖表進(jìn)行推理，并迅速給出答案。

輕量級的1B和3B模型則可以幫助不僅在多語言文本生成和工具調(diào)用能力方面表現(xiàn)出色，而且具有強(qiáng)大的隱私保護(hù)，數(shù)據(jù)永遠(yuǎn)不會(huì)離開設(shè)備。

之所以在本地運(yùn)行模型備受大家的青睞，主要在于以下兩個(gè)主要優(yōu)勢：

提示詞和響應(yīng)能夠給人瞬間完成的感覺
應(yīng)用程序可以清晰地控制哪些查詢留在設(shè)備上，哪些可能需要由云端的更大模型處理

圖片

性能評估

結(jié)果顯示，Llama 3.2視覺模型在圖像識別等任務(wù)上，與Claude 3 Haiku和GPT-4o mini不相上下。

3B模型在遵循指令、總結(jié)、提示詞重寫和工具使用等任務(wù)上，表現(xiàn)優(yōu)于Gemma 2 2B和Phi 3.5 mini；而1B模型則與Gemma旗鼓相當(dāng)。

視覺模型

作為首批支持視覺任務(wù)的Llama模型，Meta為11B和90B型打造了一個(gè)全新的模型架構(gòu)。

在圖像輸入方面，訓(xùn)練了一組適配器權(quán)重，將預(yù)訓(xùn)練的圖像編碼器集成到預(yù)訓(xùn)練的大語言模型中。

具體來說，該適配器：

由一系列交叉注意力層組成，負(fù)責(zé)將圖像編碼器的表示輸入進(jìn)大語言模型
通過在文本-圖像對上的訓(xùn)練，實(shí)現(xiàn)圖像表示與語言表征的對齊

在適配器訓(xùn)練期間，Meta會(huì)對圖像編碼器的參數(shù)進(jìn)行更新，但不會(huì)更新大語言模型參數(shù)。

也就是說，模型的純文本能力便不會(huì)受到任何影響，而開發(fā)者也可以將之前部署的Llama 3.1無縫替換成Llama 3.2。

圖片

具體的訓(xùn)練流程如下：

首先，為預(yù)訓(xùn)練的Llama 3.1文本模型添加圖像適配器和編碼器，并在大規(guī)模噪聲圖像-文本對數(shù)據(jù)上進(jìn)行預(yù)訓(xùn)練。

然后，在中等規(guī)模的高質(zhì)量領(lǐng)域內(nèi)和知識增強(qiáng)的圖像-文本對數(shù)據(jù)上，再次進(jìn)行訓(xùn)練。

接著，在后訓(xùn)練階段采用與文本模型類似的方法，通過監(jiān)督微調(diào)、拒絕采樣和直接偏好優(yōu)化進(jìn)行多輪對齊。并加入安全緩解數(shù)據(jù)，保障模型的輸出既安全又實(shí)用。

這在期間，模型所使用的高質(zhì)量微調(diào)數(shù)據(jù)，正是來自合成數(shù)據(jù)生成技術(shù)——使用Llama 3.1模型在領(lǐng)域內(nèi)圖像的基礎(chǔ)上過濾和增強(qiáng)問題答案，并使用獎(jiǎng)勵(lì)模型對所有候選答案進(jìn)行排序。

最終，我們就能得到一系列可以同時(shí)接受圖像和文本提示詞的模型，并能夠深入理解和對其組合進(jìn)行推理。

對此，Meta自豪地表示表示：「這是Llama模型向更豐富的AI智能體能力邁進(jìn)的又一步」。

得到全新Llama 3.2加持的助手Meta AI，在視覺理解力上非常強(qiáng)。

比如，上傳一張切開的生日蛋糕圖片，并問它制作配方。

Meta AI便會(huì)給出手把手教程，從配料到加工方式，一應(yīng)俱全。

圖片

又或者你發(fā)給它一張小羊的照片，并要求將其放在沖浪板上。

不一會(huì)兒功夫，一只站在沖浪板上的山羊圖畫好了。

圖片

輕量模型

通過利用剪枝（pruning）和蒸餾（distillation）這兩種方法，Meta讓全新的1B和3B模型，成為了首批能夠高效地適應(yīng)設(shè)備的、具有高能力的輕量級Llama模型。

剪枝能夠減小Llama的規(guī)模，并盡可能地保留知識和性能

在此，Meta采用了從Llama 3.1 80億參數(shù)模型進(jìn)行單次結(jié)構(gòu)化剪枝的方法。也就是，系統(tǒng)地移除網(wǎng)絡(luò)的部分內(nèi)容，并調(diào)整權(quán)重和梯度的幅度，從而創(chuàng)建一個(gè)更小、更高效的大語言模型，同時(shí)保留原始網(wǎng)絡(luò)的性能。

完成剪枝之后，則需要使用知識蒸餾來恢復(fù)模型的性能。

知識蒸餾是讓一個(gè)更大的網(wǎng)絡(luò)給更小的網(wǎng)絡(luò)傳授知識

也就是，較小的模型可以借助教師模型的指導(dǎo)，獲得比從頭開始訓(xùn)練更好的性能。為此，Meta在預(yù)訓(xùn)練階段融入了來自Llama 3.1 8B和70B模型的logits（模型輸出的原始預(yù)測值），并將這些較大模型的輸出則用作token級的目標(biāo)。

圖片

后訓(xùn)練階段，Meta采用了與Llama 3.1類似的方法——通過在預(yù)訓(xùn)練大語言模型基礎(chǔ)上進(jìn)行多輪對齊來生成最終的聊天模型。

其中，每一輪都包括監(jiān)督微調(diào)（SFT，Supervised Fine-Tuning）、拒絕采樣（RS，Rejection Sampling）和直接偏好優(yōu)化（DPO，Direct Preference Optimization）。

在這期間，Meta不僅將模型的上下文長度擴(kuò)展到了128K token，而且還利用經(jīng)過仔細(xì)篩選的合成數(shù)據(jù)和高質(zhì)量的混合數(shù)據(jù)，對諸如總結(jié)、重寫、指令跟隨、語言推理和工具使用等多項(xiàng)能力進(jìn)行了優(yōu)化。

為了便于開源社區(qū)更好地基于Llama進(jìn)行創(chuàng)新，Meta還與高通（Qualcomm）、聯(lián)發(fā)科（Mediatek）和Arm展開了密切合作。

值得一提的是，Meta這次發(fā)布的權(quán)重為BFloat16格式。

圖片