Llama 3.1 405B badcase —> 锯齿状智能 —> LLM的Tokenization局限
Llama 3.1 405B也能被玩坏
Llama 3.1 405B给出的答案“啄木鸟有着一只长长的美丽的脖子”,多了“一”少了“那”
Llama 3.1 405B回答:9.11比9.9大
Llama 3.1 405B回答:在单词 “Strawberry” 中,有两个 “R”
Llama 3.1 405B回答了不该输出的内容
Llama 3.1 405B对于“汤姆克鲁斯反着输出”给出的答案“斯鲁克姆唐”
锯齿状智能
对于“9.11和9.9谁大?”、“Strawberry里有几个r”这类看似非常简单但是4050亿参数的大模型Llama 3.1却答不对,为什么尼?
AI大佬Andrej Karpathy称这一现象为锯齿状智能(Jagged Intelligence):先进的模型能够解决一些极其复杂和令人印象深刻的问题,但它们在面对一些看似简单的问题时却可能表现得相当愚蠢。
锯齿智能的一个形象化理解
AI大佬Andrej Karpathy观点概况:
-
LLM在某些领域表现出色,而在其他领域却可能遭遇灾难性的失败,这种表现的不一致性并不总是容易预测的
-
目前面临的最大问题是缺乏"认知自我知识",即模型缺乏对自身认知过程的理解。为了解决这个问题,需要在模型的后训练阶段采用更复杂的方法,而不是幼稚的“模仿人类贴标者并取得成功”的解决方案
-
Llama 3.1论文中关于缓解幻觉的部分,作为一个例证。在生产环境中使用LLM时,应该专注于它们擅长的任务,同时注意可能产生的不准确信息,并保持人类的参与
LLM的Tokenization局限
对于为什么会出现锯齿状智能:“9.11和9.9谁大?”、“Strawberry里有几个r”答不对;AI大佬Andrej Karpathy做了更进一步解释,给出了背后的原因:LLM的Tokenization。
为了帮助解释LLM词元化处理的奇特之处,Karpathy认为将每个词元翻译成一个独特的表情符号可能会很有趣。这更接近于真相——每个词元基本上就是它自己的小象形文字,LLM必须从头开始学习,根据训练数据的统计规律来理解这一切意味着什么。
最终,问题:“单词草莓(strawberry)中有多少个字母‘r’ ?”就变成一串“外星文”:
“LLM眼里的世界”宛如一个来到地球上的外星人:
llama3.1 405b体验 https://llama3.replicate.dev/
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。