Meta发布了开放式生成人工智能模型 Llama 系列的最新产品: Llama 3。或者更准确地说,该公司首次发布了其新的 Llama 3 系列中的两个模型,其余模型将在未来某个不确定的日期发布。
Meta 称,与上一代 Llama 型号 Llama 2 8B 和 Llama 2 70B 相比,这两款新型号–Llama 3 8B(包含 80 亿个参数)和 Llama 3 70B(包含 700 亿个参数)–在性能上有了 “重大飞跃”。(参数从本质上定义了人工智能模型处理问题的能力,比如分析和生成文本;一般来说,参数数越高的模型比参数数越低的模型能力越强)。事实上,Meta 表示,就各自的参数数而言,在两个定制的 24,000 GPU 集群上训练的 Llama 3 8B 和 Llama 3 70B 是当今性能最好的生成式人工智能模型之一。 这是一个相当了不起的成就。那么 Meta 是如何支持它的呢?该公司指出,Llama 3 模型在 MMLU(用于测量知识)、ARC(用于测量技能习得)和 DROP(用于测试模型对文本块的推理能力)等流行的人工智能基准测试中的得分。正如我们之前所写,这些基准的实用性和有效性还有待商榷。但无论好坏,它们仍然是 Meta 等人工智能玩家评估其模型的少数标准化方法之一。
在至少九项基准测试中,Llama 3 8B 均优于其他开放模型,如 Mistral 的Mistral 7B和 Google 的Gemma 7B,这两个模型均包含 70 亿个参数: MMLU、ARC、DROP、GPQA(一组生物、物理和化学相关问题)、HumanEval(代码生成测试)、GSM-8K(数学单词问题)、MATH(另一个数学基准)、AGIEval(解决问题测试集)和 BIG-Bench Hard(常识推理评估)。 现在,Mistral 7B 和 Gemma 7B 并不完全处于领先地位(Mistral 7B 于去年 9 月发布),在 Meta 引用的几个基准测试中,Llama 3 8B 的得分仅比这两个基准测试高几个百分点。但 Meta 还声称,参数数更多的 Llama 3 模型 Llama 3 70B 与旗舰生成式人工智能模型(包括谷歌 Gemini 系列的最新产品 Gemini 1.5 Pro)相比具有竞争力。
Llama 3 70B 在 MMLU、HumanEval 和 GSM-8K 三项基准测试中均优于 Gemini 1.5 Pro,而且,虽然它无法与 Anthropic 性能最强的模型 Claude 3 Opus 相媲美,但在五项基准测试(MMLU、GPQA、HumanEval、GSM-8K 和 MATH)中,Llama 3 70B 的成绩优于 Claude 3 系列中第二弱的模型 Claude 3 Sonnet。
值得一提的是,Meta 还开发了自己的测试集,涵盖了从编码、创意写作、推理到总结等各种用例!- Llama 3 70B 在与 Mistral 的 Mistral Medium 模型、OpenAI 的 GPT-3.5 和 Claude Sonnet 的竞争中脱颖而出。Meta 表示,为了保持客观性,它禁止其建模团队访问这组数据,但很明显,鉴于 Meta 自己设计了这项测试,我们必须对结果持谨慎态度。
在质量方面,Meta 表示,新款 Llama 模型的用户可以期待更高的 “可操控性”、更低的拒绝回答问题的可能性,以及更高的琐事问题、与历史和 STEM 领域(如工程和科学)相关的问题和一般编码建议的准确性。这在一定程度上要归功于一个更大的数据集:一个包含 15 万亿个标记的数据集,或者说一个令人难以置信的 ~750,000,000,000 单词的数据集,是 Llama 2 训练集的七倍。(在人工智能领域,"词块 "指的是细分的原始数据,比如 "奇妙 "一词中的音节 “fan”、"tas "和 “tic”)。
这些数据从何而来?问得好。Meta 公司不愿透露,只表示数据来自 “公开来源”,包含的代码数量是 Llama 2 训练数据集的四倍,其中 5%的数据集包含非英语数据(约 30 种语言),以提高非英语语言的性能。Meta 还表示,它使用了合成数据(即人工智能生成的数据)来创建较长的文档供 Llama 3 模型训练,由于这种方法存在潜在的性能缺陷,因此颇受争议。
"Meta 在与 TechCrunch 分享的一篇博文中写道:"虽然我们今天发布的模型只针对英文输出进行了微调,但数据多样性的增加有助于模型更好地识别细微差别和模式,并在各种任务中表现出色。 许多生成式人工智能供应商将训练数据视为竞争优势,因此对训练数据和相关信息守口如瓶。但是,训练数据的细节也是知识产权相关诉讼的潜在来源,这也是不愿意透露太多信息的另一个原因。最近的报道显示,Meta 公司为了追赶人工智能竞争对手的步伐,曾一度不顾公司律师的警告,将受版权保护的电子书用于人工智能训练;包括喜剧演员莎拉-西尔弗曼(Sarah Silverman)在内的一些作者正在对 Meta 和 OpenAI 提起诉讼,指控这两家公司未经授权使用受版权保护的数据进行训练。
那么,生成式人工智能模型(包括 Llama 2)的另外两个常见问题–毒性和偏差又是怎么回事呢?Llama 3 是否在这些方面有所改进?是的,Meta 声称。 Meta 称,它开发了新的数据过滤管道,以提高模型训练数据的质量,并更新了一对生成式人工智能安全套件 Llama Guard 和 CybersecEval,以防止滥用 Llama 3 模型和其他模型生成不必要的文本。该公司还发布了一款新工具 Code Shield,旨在检测生成式人工智能模型中可能引入安全漏洞的代码。 不过,过滤并不是万无一失的,Llama Guard、CyberSecEval 和 Code Shield 等工具也只能做到这一步。(参见:Llama 2 容易编造问题答案,泄露私人健康和财务信息)。我们将拭目以待,看看 Llama 3 型号在野外的表现如何,包括学术界对其他基准的测试。
Meta公司表示,Llama 3模型现在已经可以下载,并为Meta公司在Facebook、Instagram、WhatsApp、Messenger和网络上的Meta人工智能助手提供支持,不久后将以托管形式托管在各种云平台上,包括AWS、Databricks、Google Cloud、Hugging Face、Kaggle、IBM的WatsonX、Microsoft Azure、Nvidia的NIM和Snowflake。未来,还将提供针对 AMD、AWS、戴尔、英特尔、Nvidia 和高通硬件优化的模型版本。
Llama 3 型号可能会被广泛使用。但你会注意到,我们用 "开放 "来形容它们,而不是 “开源”。这是因为,尽管Meta 公司声称,其Llama 系列模型并不像它让人们相信的那样没有附加条件。没错,它们既可用于研究,也可用于商业应用。不过,Meta 禁止开发者使用 Llama 模型训练其他生成模型,而月用户超过 7 亿的应用开发者必须向 Meta 申请特殊许可,Meta 会酌情决定是否批准。 更强大的 Llama 模型即将问世。 Meta 表示,它目前正在训练的 Llama 3 模型参数超过 4000 亿个–这些模型能够 “用多种语言交流”、接收更多数据、理解图像和其他模式以及文本,这将使 Llama 3 系列与 Hugging Face 的Idefics2 等开放版本保持一致。
"我们近期的目标是让 Llama 3 成为多语言、多模态、有更长语境的产品,并继续提高推理和编码等核心(大型语言模型)能力的整体性能,"Meta 在一篇博文中写道。“还有很多事情要做”。
如何学习大模型 AI ?
由于新岗位的生产效率,要优于被取代岗位的生产效率,所以实际上整个社会的生产效率是提升的。
但是具体到个人,只能说是:
“最先掌握AI的人,将会比较晚掌握AI的人有竞争优势”。
这句话,放在计算机、互联网、移动互联网的开局时期,都是一样的道理。
我在一线互联网企业工作十余年里,指导过不少同行后辈。帮助很多人得到了学习和成长。
我意识到有很多经验和知识值得分享给大家,也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑,所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限,很多互联网行业朋友无法获得正确的资料得到学习提升,故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。
😝有需要的小伙伴,可以点击下方链接免费领取或者V扫描下方二维码免费领取🆓
第一阶段(10天):初阶应用
该阶段让大家对大模型 AI有一个最前沿的认识,对大模型 AI 的理解超过 95% 的人,可以在相关讨论时发表高级、不跟风、又接地气的见解,别人只会和 AI 聊天,而你能调教 AI,并能用代码将大模型和业务衔接。
- 大模型 AI 能干什么?
- 大模型是怎样获得「智能」的?
- 用好 AI 的核心心法
- 大模型应用业务架构
- 大模型应用技术架构
- 代码示例:向 GPT-3.5 灌入新知识
- 提示工程的意义和核心思想
- Prompt 典型构成
- 指令调优方法论
- 思维链和思维树
- Prompt 攻击和防范
- …
第二阶段(30天):高阶应用
该阶段我们正式进入大模型 AI 进阶实战学习,学会构造私有知识库,扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架,抓住最新的技术进展,适合 Python 和 JavaScript 程序员。
- 为什么要做 RAG
- 搭建一个简单的 ChatPDF
- 检索的基础概念
- 什么是向量表示(Embeddings)
- 向量数据库与向量检索
- 基于向量检索的 RAG
- 搭建 RAG 系统的扩展知识
- 混合检索与 RAG-Fusion 简介
- 向量模型本地部署
- …
第三阶段(30天):模型训练
恭喜你,如果学到这里,你基本可以找到一份大模型 AI相关的工作,自己也能训练 GPT 了!通过微调,训练自己的垂直大模型,能独立训练开源多模态大模型,掌握更多技术方案。
到此为止,大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗?
- 为什么要做 RAG
- 什么是模型
- 什么是模型训练
- 求解器 & 损失函数简介
- 小实验2:手写一个简单的神经网络并训练它
- 什么是训练/预训练/微调/轻量化微调
- Transformer结构简介
- 轻量化微调
- 实验数据集的构建
- …
第四阶段(20天):商业闭环
对全球大模型从性能、吞吐量、成本等方面有一定的认知,可以在云端和本地等多种环境下部署大模型,找到适合自己的项目/创业方向,做一名被 AI 武装的产品经理。
- 硬件选型
- 带你了解全球大模型
- 使用国产大模型服务
- 搭建 OpenAI 代理
- 热身:基于阿里云 PAI 部署 Stable Diffusion
- 在本地计算机运行大模型
- 大模型的私有化部署
- 基于 vLLM 部署大模型
- 案例:如何优雅地在阿里云私有部署开源大模型
- 部署一套开源 LLM 项目
- 内容安全
- 互联网信息服务算法备案
- …
学习是一个过程,只要学习就会有挑战。天道酬勤,你越努力,就会成为越优秀的自己。
如果你能在15天内完成所有的任务,那你堪称天才。然而,如果你能完成 60-70% 的内容,你就已经开始具备成为一名大模型 AI 的正确特征了。
这份完整版的大模型 AI 学习资料已经上传CSDN,朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费
】
😝有需要的小伙伴,可以Vx扫描下方二维码免费领取==🆓