本文主要介绍了两个工作,一个是114页大模型微调终极指南,一个是音乐基础模型综述,都是很值得作为索引存在的文档。
供大家一起参考并思考。
一、特别推荐-114页大模型微调终极指南
大模型微调的终极指南:从基础到突破的详尽综述,这个特别值得一看,《The Ultimate Guide to Fine-Tuning LLMs from Basics to Breakthroughs: An Exhaustive Review of Technologies, Research, Best Practices, Applied Research Challenges and Opportunities》:https://arxiv.org/pdf/2408.13296,这份报告旨在为研究人员和实践者提供一份全面的指南,值得一看。
从内容上看:
1、从LLMs的历史发展讲起,强调了它们从传统自然语言处理(NLP)模型的演变,以及在现代AI系统中的关键作用。它分析了不同的微调方法,包括监督、无监督和基于指令的方法,并强调了它们对特定任务的影响。
2、介绍了一个结构化的七阶段 LLM 微调流程,涵盖了从数据准备到模型部署的完整生命周期。关键考虑因素包括数据收集策略、处理不平衡数据集、模型初始化和优化技术,特别关注超参数调整。
3、介绍了参数高效的微调方法,如低秩适应(LoRA)和半微调,它们在资源限制和最优模型性能之间取得平衡。探索扩展到高级微调技术和配置,如记忆微调、专家混合(MoE)和代理混合(MoA),展示了这些方法如何利用专门的网络和多代理协作来改善结果。
4、讨论了Proximal Policy Optimisation (PPO) 和Direct Preference Optimisation (DPO)作为与人类偏好对齐的创新方法,同时检查了剪枝和路由优化的好处以提高效率。
5、探讨了验证框架、部署后监控和推理优化技术。 还讨论了在分布式和基于云的平台上部署 LLMs 的问题。此外,涵盖了多模态LLMs和音频/语音处理的微调等主题,以及与可扩展性、隐私和问责制相关的新兴挑战。
二、音乐基础模型技术综述
基础模型如大型语言模型(LLMs)和潜在扩散模型(Latent Diffusion Models,简称LDMs)近年来在音乐领域产生了深远的影响。
音乐基础模型综述《Foundation Models for Music: A Survey》:https://arxiv.org/pdf/2408.14340,全面回顾了音乐领域中的最新技术(截至2024年),涵盖了从音乐表示学习、生成学习到多模态学习的各个方面。
里面可以看几个重点:
1、音乐表示(Representations of Music)
-
音乐的感知与符号化表示,包括音乐的声学层面表示和符号音乐格式。
-
音乐与文本、视觉模态的交互。
2、技术细节(Technical Details of Foundation Models)
技术细节如下图所示:
-
模型设计和预训练策略:包括对比学习、聚类、生成预训练和掩码建模。
-
音乐领域适应:讨论了前缀调整、提示调整、适配器和全调整等技术。
-
音频分词器:包括手工制作与基于学习的分词器,连续与离散音频分词。
-
模型架构:包括编码器、解码器和音乐生成的可解释性与可控性。
3、数据集与评估(Datasets & Evaluation)
音乐理解任务的数据集和评估方法,以及音乐生成任务的客观和主观评估。
总结
本文主要介绍了两个工作,一个是114页大模型微调终极指南,一个是音乐基础模型综述,这两个综述都很值得一看,是个十分好的索引文档。
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。