代码生成新突破：Mamba技术超越Transformer，原创研究荣登顶级新会议论文集！

“欧洲OpenAI”和“Transformer挑战者”强强联合了！

Mistral AI刚刚推出了其第一个基于Mamba2架构的开源模型——Codestral Mamba（7B），专搞代码生成。

与Transformer架构不同，Mamba架构可进行“线性时间推理”，理论上能够支持无限长度输入。

Mistral AI：这也就是为啥我们用Mamba架构推出的代码推理模型抗打。

Mistral AI表示已经在最多256k token上下文中测试了Codestral Mamba。

基准测试中，Codestral Mamba总体性能超越CodeGemma-1.1 7B、CodeLlama 7B、DeepSeek v1.5 7B、CodeLlama 34B。

有网友表示，这一波是Mistral AI要带飞Mamba架构的节奏。

Mamba架构作者之一、CMU助理教授Albert Gu表示：

具有较弱“tokenizations”的不同模态或数据格式（例如代码、byte级建模）会越来越多地从压缩模型（如SSM）中受益。

除了Codestral Mamba，Mistral AI这次还同时发布了一个新的数学模型——Mathstral（7B）。

有意思的是，网友让它做这几天大模型频频翻车的“9.11和9.9哪个大”的问题，Mathstral先比较整数，然后再比较小数部分，最后成功做对。

7B性能接近22BTransformer

Codestral Mamba完整基准测试结果如下：

在HumanEval C++/Java/JavaScript/Bash等所有基准上，Codestral Mamba全面超越CodeGemma-1.1 7B、CodeLlama 7B，且超越比它更大的CodeLlama 34B。

Mistral AI此前自家的最强开源编程模型Codestral 22B也没有和Codestral Mamba拉开太大差距。

除此外，DeepSeek v1.5 7B在基准中也比较突出，和Codestral Mamba打得有来有回。

DeepSeek v1.5 7B在Spider（复杂跨域语义分析和文本到SQL任务）、HumanEval Java、HumanEval Bash、MBPP等方面优于Codestral Mamba。

除了基准测试结果，Codestral Mamba最令人关注的当属它是首批Mamba2架构模型。

Mamba架构由FlashAttention作者Tri Dao和CMU助理教授、Cartesia AI联合创始人及首席科学家Albert Gu在去年年底提出。

此前，ChatGPT等Transformer架构大模型有一大痛点：处理长文本算力消耗巨大。其背后也是因为Transformer架构中注意力机制的二次复杂度。

而Mamba是第一个真正实现匹配Transformer性能的线性时间序列模型，也是一种状态空间模型（SSM，State Space Model）。

Mamba建立在更现代的适用于深度学习的结构化SSM（S4, Structured SSM）基础上，与经典架构RNN有相似之处。

Mamba架构一问世就引起了圈内广泛关注。Stability AI创始人、英伟达科学家Jim Fan等都对它的出现感到兴奋。

Mamba初代论文年初被ICLR拒稿，当时在圈内引起热议。

不过，最近已经被新生代顶流会议CoLM2024接收了。

Mamba2论文中更是发现，Transformer中的注意力机制与SSM存在着非常紧密的数学联系，论文成功入选ICML 2024。

还发布了一个数学模型

除了Codestral Mamba，Mistral AI还同时推出了一个开源数学模型——Mathstral（7B），作为对阿基米德诞生2311周年的纪念。

Mathstral在Mistral 7B基础之上，专注于STEM（科学、技术、工程、数学），上下文窗口32k。

在基准测试中，Mathstral MATH得分56.6%，MMLU达到了63.47%。

重点是，Mathstral还可以通过更多的推理时间计算获得更好的结果：

使用多数投票机制时，Mathstral 7B在MATH测试中的得分为68.37%，而在64个候选模型中应用一个强效奖励模型时，得分能够提升到74.59%。

以下是Mathstral 7B和Mistral 7B在MMLU各科目中的表现差异：

如何学习AI大模型？

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。

第一阶段： 从大模型系统设计入手，讲解大模型的主要方法；

第二阶段： 在通过大模型提示词工程从Prompts角度入手更好发挥模型的作用；

第三阶段： 大模型平台应用开发借助阿里云PAI平台构建电商领域虚拟试衣系统；

第四阶段： 大模型知识库应用开发以LangChain框架为例，构建物流行业咨询智能问答系统；

第五阶段： 大模型微调开发借助以大健康、新零售、新媒体领域构建适合当前领域大模型；

第六阶段： 以SD多模态大模型为主，搭建了文生图小程序案例；

第七阶段： 以大模型平台应用与开发为主，通过星火大模型，文心大模型等成熟大模型构建大模型行业应用。

👉学会后的收获：👈
• 基于大模型全栈工程实现（前端、后端、产品经理、设计、数据分析等），通过这门课可获得不同能力；

• 能够利用大模型解决相关实际项目需求： 大数据时代，越来越多的企业和机构需要处理海量数据，利用大模型技术可以更好地处理这些数据，提高数据分析和决策的准确性。因此，掌握大模型应用开发技能，可以让程序员更好地应对实际项目需求；

• 基于大模型和企业数据AI应用开发，实现大模型理论、掌握GPU算力、硬件、LangChain开发框架和项目实战技能， 学会Fine-tuning垂直训练大模型（数据准备、数据蒸馏、大模型部署）一站式掌握；

• 能够完成时下热门大模型垂直领域模型训练能力，提高程序员的编码能力： 大模型应用开发需要掌握机器学习算法、深度学习框架等技术，这些技术的掌握可以提高程序员的编码能力和分析能力，让程序员更加熟练地编写高质量的代码。

1.AI大模型学习路线图
2.100套AI大模型商业化落地方案
3.100集大模型视频教程
4.200本大模型PDF书籍
5.LLM面试题合集
6.AI产品经理资源合集

👉获取方式：
😝有需要的小伙伴，可以保存图片到wx扫描二v码免费领取【保证100%免费】🆓