一夜之間，大模型界又炸出個big news！

斯坦福發(fā)布Alpaca（羊駝，網(wǎng)友口中的“草泥馬”）：

只花100美元，人人都可微調(diào)Meta家70億參數(shù)的LLaMA大模型，效果竟可比肩1750億參數(shù)的GPT-3.5（text-davinci-003）。

而且還是單卡就能運行的那種，甚至樹莓派、手機(jī)都能hold住！

還有一個更絕的“騷操作”。

研究所涉及到的數(shù)據(jù)集，是斯坦福團(tuán)隊花了不到500美元用OpenAI的API來生成的。

所以整個過程下來，就等同于GPT-3.5自己教出了個旗鼓相當(dāng)?shù)膶κ諥I。

然后團(tuán)隊還說，用大多數(shù)云計算平臺去微調(diào)訓(xùn)練好的模型，成本也不到100美元：

復(fù)制一個GPT-3.5效果的AI，很便宜，很容易，還很小。

而且團(tuán)隊還把數(shù)據(jù)集（秒省500刀）、代碼統(tǒng)統(tǒng)都給開源了，這下子人人都能去微調(diào)個效果炸裂的對話AI：

項目在GitHub發(fā)布才半天時間，便已經(jīng)狂攬1800+星，火爆程度可見一斑。

Django聯(lián)合開發(fā)者甚至對斯坦福的新研究用“驚天大事”來形容：

不僅如此，斯坦福團(tuán)隊還搞了個demo，在線可玩的那種。

話不多說，我們現(xiàn)在就來看看這個“草泥馬”的效果。

比肩davinci-003的草泥馬Aplaca

在斯坦福官方的演示中，他們先小試牛刀地提了一個問題：

什么是羊駝？它和美洲駝的區(qū)別是什么？

草泥馬Aplaca給出的答案較為干練：

羊駝是一種小型駱駝科動物，原產(chǎn)于秘魯、玻利維亞、厄瓜多爾和智利；它比美洲駝小，羊毛更細(xì)，也沒有駝峰。

而后又簡單的介紹了二者群居生活的不同。

同樣的問題若是交給ChatGPT（GPT3.5-turbo），則答案就不會像草泥馬Aplaca那般簡潔：

對此，團(tuán)隊給出的解釋是：

Alpaca的答案通常比ChatGPT短，反映出text-davinci-003的輸出較短。

而后團(tuán)隊演示了讓草泥馬Alpaca寫郵件：

寫一封e-mail祝賀被斯坦福大學(xué)錄取的新生，并提到你很高興能親自見到他們。

草泥馬Alpaca對于這個任務(wù)也是信手拈來，直接給出了一個像模像樣的郵件模板：

難度再次進(jìn)階，團(tuán)隊這次提出了讓草泥馬Alpaca寫論文摘要的需求：

寫一篇經(jīng)過深思熟慮的機(jī)器學(xué)習(xí)論文摘要，證明42是訓(xùn)練神經(jīng)網(wǎng)絡(luò)的最優(yōu)seed。

草泥馬Alpaca給出的答案從內(nèi)容上來看，非常符合大多數(shù)論文的摘要形式：試圖回答什么問題、用了什么方法、結(jié)果如何，以及未來展望。

當(dāng)然，也有迫不及待的網(wǎng)友親自下場試驗，發(fā)現(xiàn)草泥馬Alpaca寫代碼也是不在話下。

不過即便草泥馬Alpaca能夠hold住大部分問題，但這并不意味著它沒有缺陷。

例如團(tuán)隊便演示了一個例子，在回答“坦桑尼亞的首都是哪里”的問題時，草泥馬Alpaca給出的答案是“達(dá)累斯薩拉姆”。

但實際上早在1975年便被“多多馬”取代了。

除此之外，若是親自體驗過草泥馬Alpaca就會發(fā)現(xiàn)，它……巨慢：

對此，有網(wǎng)友認(rèn)為可能是使用的人太多的原因。

筆記本、手機(jī)、樹莓派都能跑

Meta開源的LLaMA大模型，剛發(fā)布幾周就被大家安排明白了，單卡就能運行。

所以理論上，基于LLaMA微調(diào)的Alpaca同樣可以輕松在本地部署。

沒有顯卡也沒關(guān)系，蘋果筆記本甚至樹莓派、手機(jī)都可以玩。

在蘋果筆記本部署LLaMA的方法來自GitHub項目llama.cpp，使用純C/C++做推理，還專門對ARM芯片做了優(yōu)化。

作者實測，M1芯片的MacBook Pro上即可運行，另外也支持Windows和Linux系統(tǒng)。

還是這個C++移植版本，有人成功在4GB內(nèi)存的樹莓派4上成功運行了LLaMA的 70億參數(shù)版本。

雖然速度非常慢，大約10秒生成一個token（也就是一分鐘蹦出4.5個單詞）。

更離譜的是僅僅2天之后，有人把LLaMA模型量化壓縮（權(quán)重轉(zhuǎn)換成更低精度的數(shù)據(jù)格式）后成功在Pixel 6安卓手機(jī)上運行（26秒一個token）。

Pixel 6使用谷歌自研處理器Google Tensor，跑分成績在驍龍865+到888之間，也就是說新一點的手機(jī)理論上都能勝任。

微調(diào)數(shù)據(jù)集也開源

斯坦福團(tuán)隊微調(diào)LLaMA的方法，來自華盛頓大學(xué)Yizhong Wang等去年底提出的Self-Instruct。

以175個問題作為種子任務(wù)，讓AI自己從中組合出新的問題以及生成配套答案實例，人工過濾掉低質(zhì)量的，再把新任務(wù)添加到任務(wù)池里。

所有這些任務(wù)，之后可以采用InstructGPT的方法讓AI學(xué)會如何遵循人類指令。

套娃幾圈下來，相當(dāng)于讓AI自己指導(dǎo)自己。

斯坦福版Alpaca，就是花了不到500美元使用OpenAI API生成了5.2萬個這樣的示例搞出來的。

這些數(shù)據(jù)同樣開源了出來，并且比原論文的數(shù)據(jù)多樣性更高。

同時還給出了生成這些數(shù)據(jù)的代碼，也就是說如果有人還嫌不夠，可以再去自行擴(kuò)充微調(diào)數(shù)據(jù)，繼續(xù)提高模型的表現(xiàn)。

微調(diào)代碼也會在HuggingFace官方支持LLaMA后放出。

不過Alpaca最終的模型權(quán)重需要Meta許可才能發(fā)布，并且繼承了LLaMA的非商用開源協(xié)議，禁止任何商業(yè)用途。

并且由于微調(diào)數(shù)據(jù)使用了OpenAI的API，根據(jù)使用條款也禁止用來開發(fā)與OpenAI形成競爭的模型。

One More Thing

還記得AI繪畫的發(fā)展歷程嗎？

2022年上半年還只是話題熱度高，8月份Stable Diffusion的開源讓成本下降到可用，并由此產(chǎn)生爆炸式的工具創(chuàng)新，讓AI繪畫真正進(jìn)入各類工作流程。

語言模型的成本，如今也下降到了個人電子設(shè)備可用的程度。

最后還是由Django框架創(chuàng)始人Simon Willison喊出：

大語言模型的Stable Diffusion時刻到了。