大小语言模型对比分析及启示

过去一年多来，大语言模型（LLM）从 GPT-3.5、GPT-4 到 Llama等开源模型,一直备受关注。然而，近期一些迹象表明，小语言模型（SLM）正逐渐获得越来越多的重视，微软、GOOGLE等AI领域的大佬们纷纷开始下注小语言模型。出现这一趋势的原因何在，将给运营商带来哪些启示？

大语言模型轻量化渐成趋势

LLM （大语言模型）的参数数量可以达到数千亿甚至数万亿。而SLM(小语言模型) 通常具有数亿或数十亿个参数，SLM 的训练和运行所需的时间和资源要少得多，这使得它们更加适合于资源有限的设备和应用。

1. 多家AI巨头引领，发布多款SLM小模型

微软2023年 9 月发布了 Phi-1.5 版本，13 亿参数。1.5版本可以写诗、写电子邮件和故事，以及总结文本。在12月14日更新发布了 Phi-2 ，拥有 27 亿参数。今年4 月 23 日，微软发布了 Phi-3 Mini，这是Phi-3系列小型模型中的第一个，Phi-3 Mini 可测量参数仅为 38 亿，并在相对于 GPT-4 等大型语言模型更小的数据集上进行训练，现已在 Azure、Hugging Face 上可使用。Phi-3 Mini 的性能比前一版本更好，与 GPT-3.5 等 LLM 不相上下，微软后续还计划发布 Phi-3 Small（7B 参数）和 Phi-3 Medium（14B 参数）两个版本。

今年2月，Google 发布了 Gemma 2B 和 7B，这两款模型更适合简单的聊天机器人和语言相关的工作。Gemma 模型可轻松运行在普通设备上，无需特殊硬件或复杂优化，它提供高效、易用的语言处理体验。Gemma 在 Hugging Face 的下载量已经突破 400,000 次，并激发了Cerule、CodeGemma等创新项目。性能表现方面， Gemma在MMLU、MBPP等18个基准测试中，有11个测试结果超越了Mistral-7B等模型。

图1：Phi-3与Gemma、GPT3.5等模型的测试对比（数据来源：Phi-3 Technical Report: A Highly Capable Language Model Locally on Your Phone）

2. 大语言模型轻量化的几个特征

除了原生的SLM小语言模型外，大语言模型也在通过各种手段压缩规模，以期适应更多的应用场景。模型压缩的方式主要包括模型量化、知识蒸馏、模型剪枝、低秩适应、权值共享、结构搜索等。目前，多个大语言模型均已推出“小型化”和“场景化”版本，为端侧运行提供了基础。例如，Google PaLM2中最轻量的“壁虎”壁虎（Gecko）可实现手机端运行，速度足够快，不联网也能正常工作。Meta在官网上公布了旗下最新大语言模型Llama 3。已经开放了80亿（8B）和700亿（70B）两个小参数版本，Llama 3 8B模型在MMLU、GPQA、HumanEval等多项性能基准上均超过了Gemma 7B和Mistral 7B Instruct。

表1：大小语言模型的特征

SLM和LLM的对比

1. 技术特点

SLM通常采用传统的Transformer架构，而LLM则采用更复杂的架构，如GPT-3的解码器-编码器架构和Megatron-Turing NLG的解码器-编码器-解码器架构。

大语言模型遵从缩放定律（Scaling Laws），简单而言就是规模越大，性能越强。相较而言，LLM的特点是性能和泛化能力强，SLM的特点是训练和运行成本低。

2**.** 优劣势比较

表2：LLM和SLM的优劣势比较

3. 应用场景

在应用场景上，LLM主要运行于云侧，应用于泛场景的通用性和复杂推理任务， SLM主要应用于端侧设备和特定领域的任务。由于端侧设备数量巨大、存在广泛， HuggingFace 的CEO Clem Delangue 甚至指出，多达99% 的使用场景可以通过 SLM 来解决。高通的报告也预测，数量可观的生成式 AI模型可从云端分流到终端上运行。

图2：数量可观的生成式 AI模型可从云端分流到终端上运行。（来源：高通：混合AI是AI的未来）

运营商发展大语言模型面临的问题

1. 资金、技术、数据、人才等方面存在短板

LLM可以充分发挥电信运营商云、网、算力等资源的优势,更好地泛化到新任务和新数据，应用于更广泛的场景。但是， LLM 的训练和运行需要大量算力，训练时间长，部署和维护的难度高，与其它大语言模型一样，存在偏见和安全风险。不仅如此，与互联网巨头比，运营商在资金、技术、数据、人才等方面都存在一定短板。资金上，互联网巨头有更广泛的融资渠道；技术上，与前沿大语言模型相比，运营商大语言模型在参数数量、性能上存在差距，研发处于跟随地位；数据上，优质数据集的数量和质量有限；此外，AI研发人才也短缺。

2**. 应用场景受限**

LLM大模型的应用场景主要有通用场景，如机器翻译、问答系统、文本生成等，以及结合行业数据集的行业应用。对于运营商的LLM，目前来看，主要应用场景内部可用于客服、网运，外部可泛化为政企客户和公众客户提供通用的AI服务。

通用的AI服务由于市场已有大量的大模型厂商，竞争激烈。垂直行业应用将是运营商LLM未来最大的市场领域。垂直行业通常有较为专业的数据集，数据质量高，数据规模不一定大，但对数据隐私和安全性要求高。从模型的角度来看， LLM大模型虽然通过泛化能适应这些需求，但付出的各种成本高，且存在安全风险，这将制约运营商LLM的广泛应用。

对运营商的启示

1. 面向众多行业应用场景，加强对SLM的研发

随着AI技术的不断发展，SLM 的性能和功能将进一步提升，终端的能力也越来越强，未来越来越多的AI推理工作负载在手机、PC、XR 头显、汽车和其他边缘终端上运行，SLM将会有更大的应用潜力，会有越来越多的场景使用 SLM。

运营商有庞大的客户群，不同客户对与AI的需求千差万别。以政企业务为例，目前政企产品分为标准化产品和平台、小微ICT项目、复杂集成DICT项目三大类，对于标准化产品和平台，运用云和LLM的能力，能够很好地为客户AI赋能，而对于小微ICT项目、复杂集成DICT项目，很多场景下，SLM会是客户更佳的选择。

2. 用SLM降低研发运营成本，促进创新和迭代

SLM 的开发和维护成本相对较低，风险也较低，更容易实现创新和迭代。同时，边缘终端能够以很低的能耗运行SLM，提供更高的能效，借助端侧SLM的能力，能有效降低云侧的资源消耗，帮助运营商降低数据中心的能耗，实现企业的降本增效。

不仅如此，SLM还可以帮助构建运营商的AI生态，加强服务能力，增强客户粘性，提升客户满意度。可以通过SLM开源社区、广泛的SLM客户群，建立良好的AI生态，利用 SLM 进行快速试错，探索新的应用场景和商业模式，成熟后还可以与LLM 结合应用于更复杂的场景,促进运营商各类业务的发展。

3. 通过LLM和SLM结合建立差异化竞争优势

在 LLM 领域，大型科技公司已经占据了领先地位，单纯通过LLM的竞争，运营商较难取得优势，对于一些内部数据集规模比较小的客户来说，使用小模型更具性价比。运营商可以通过LLM和SLM结合，在特定领域形成差异化竞争优势，例如专注于垂直行业，采用低成本、高性能的 SLM 模型，以较低的成本实现服务的智能化升级。而对于客户更加复杂的AI需求，则可通过网络和云端LLM来实现，解决SLM性能和知识的局限问题。

根据客户的业务需求选择合适的模型，通过云侧LLM和端侧SLM相结合，相信运营商能够建立差异化竞争优势，构筑企业更加坚实的护城河。

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。

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】