太震撼了，几行代码，GPT-3变ChatGPT！

最新推荐文章于 2024-05-27 15:19:41 发布

深度学习技术前沿

最新推荐文章于 2024-05-27 15:19:41 发布

阅读量236

点赞数

文章标签： gpt-3 chatgpt 人工智能机器学习

原文链接：https://mp.weixin.qq.com/s?__biz=MzU2NDExMzE5Nw==&mid=2247530014&idx=2&sn=b9102a78f7f56f20ceba7931cba5beca&chksm=fc4dcc5ccb3a454a6c15ce60f40950f6adfb87fd867f731df798bac9b09e3a4dea3f885821e2&scene=126&sessionid=0

版权

来源：新智元

快速定制模型的LLM引擎Lamini来了，开发者狂喜！

ChatGPT虽好，但始终有门槛。通常，只有拥有AI博士学位的大型机器学习团队，才能这样训练一个模型。

为了把这个门槛打下来，团队构建了Lamini引擎，从此，每个开发者都能够拥有从GPT-3训练ChatGPT的超能力！

划重点：可以商用！可以商用！可以商用！

项目地址：https://github.com/lamini-ai/lamini/

Lamini的开发团队表示，你需要的只是几行代码，就可以用托管数据生成器俩训练自己的LLM，包括权重和其他所有的内容。

此外，你也可以使用开源的LLM，用Lamini库对生成的数据进行微调。以及访问完整的LLM训练模块，使用从LoRa等速度优化，到虚拟私有云 (VPC) 部署等企业功能。

对此，英伟达科学家Jim Fan表示， LLaMa+自定义数据正在成为新的范式，而Lamini的推出也带了一种全新的模式——FaaS，微调即服务。

MLOps的未来是「LMOps」。哪里有标准化，哪里就有机会。

OpenAI科学家，前特斯拉人工智能总监Andrej Karpathy也表示，LLM定制化的生态正在愈发火爆。

训LLM就像prompt-tuning一样简单

写一个prompt如此容易，但想要从基础模型训练出一个大语言模型，却是如此困难。

因为需要花费大量时间，来找出微调模型失败的原因，所以对数据集微调的迭代周期都是以月为单位的。

与之相反，微调prompt的迭代，只需要几秒钟，并且在几个小时内，性能都能保持稳定。

这个过程只需要把有限数量的数据整合到prompt中就可以了，并不需要动辄几TB的数据。

ChatGPT的诞生十分艰难，OpenAI的团队花了几个月的时间，在基础的GPT-3模型上微调，并进行RLHF。这个门槛极高，只有大型的ML团队才能完成这种训练。

有500强企业的技术负责人这样抱怨过：「我们团队的10名机器学习工程师用了OpenAI的微调API，结果我们的模型反而变得更差了，怎么办啊。」

「我真的不知道该怎么充分利用数据，我已经用尽了所有从在线教程中能学到的prompt魔法了。」

这，就是研究者构建Lamini的原因：让每个开发者可以直接从GPT-3训练ChatGPT。

任意LLM，秒变ChatGPT！

Lamini是一个LLM引擎，可以让不仅仅是机器学习专家的任何开发人员，都能在大型数据集中，把高性能的LLM训练得像ChatGPT一样好。

这个过程，只需要Laimini库的几行代码即可。

值得注意的是，这个库中的优化（optimization）远远超出了现在开发者可以使用的范围，从更具挑战性的优化（如RLHF）到更简单的优化（如减少幻觉）。

比如，你想从不同的角度生成一个广告文案。

首先，从llama模块导入LLM引擎：

from llama import 
LLMllm = LLM(name="marketing")

接下来，需要定义输入和输出类型。注意，这里一定要包括上下文（Context），因为可以有助于LLM在自然语言中进行理解。

from llama import Type, Context


class AdAspects(Type):
  tone: str = Context("tone of the marketing copy")
  product_features: list = Context("product features to promote")
  audience: str = Context("target audience for the message")
  subject: str = Context("subject or topic of the message")
  goal: str = Context("goal of this marketing campaign and message")


class AdCopy(Type):
  title: str = Context("google ad title tag")
  description: str = Context("google ad description")
  keywords: list = Context("keywords for the search engine")

然后就可以开始提问了：

语气：大胆，但不傲慢

特色：亚洲酱料和香料、家常调料和套餐包，可以轻松在家烹饪。

aspects = AdAspects(
    tone="bold and bright, but not arrogant",
    product_features=[
        'asian sauces and aromatics',
        'home-cooked seasonings and meal packs that can be easily cooked at home'
    ],
    audience="suburban families",
    subject="delicious asian meals without going to a restaurant",
    goal="get suburban moms and dads to try buy their first omsom pack or free tasting kit"
)
ad_copy = llm(input=aspects, output_type=AdCopy)
print(f"Ad copy: {ad_copy}")

模型输出：

尝试 Omsom 的美味亚洲酱料、香料、家常调料和套餐包。轻松为家人在家做出美味佳肴。

> title='Delicious Asian Meals Without Going to a Restaurant | Omsom'
  description="Try Omsom's delicious Asian sauces, aromatics, and home-cooked seasonings and meal packs. Easily cook delicious meals at home for your family."
  keywords=[
    'Asian sauces',
    'Aromatics',
    'Home-cooked seasonings',
    'Meal packs',
    'Delicious meals',
    'Suburban families',
    'Omsom'
    ]

如何创建自己的「ChatGPT」

基础模型能理解一般的英语，但如果需要它们学习一些垂直语言和规则，prompt微调并不足够，很多时候我们都需要构建自己的LLM。

利用用下面这个步骤，就能获得像ChatGPT一样遵循指令的LLM。