随着人工智能技术的快速发展,大规模语言模型(Large Language Models, LLMs)在自然语言处理领域取得了突破性进展。然而,大多数顶尖的LLMs主要针对英语进行优化,对其他语言的支持相对有限。为了推动中文自然语言处理的发展,哈尔滨工业大学社会计算与信息检索研究中心(HIT-SCIR)团队基于Mistral AI公司发布的Mixtral-8x7B模型,开发了Chinese-Mixtral-8x7B,这是一个专门针对中文进行优化的大规模语言模型。
Chinese-Mixtral-8x7B是在Mixtral-8x7B基础上进行中文扩词表和增量预训练的模型。Mixtral-8x7B是一个稀疏混合专家(Sparse Mixture of Experts, MoE)模型,具有1.3万亿参数,但在推理时仅激活约130亿参数。Chinese-Mixtral-8x7B继承了Mixtral-8x7B的架构优势,同时通过扩充中文词表和大规模中文语料训练,显著提升了模型的中文理解和生成能力。
研究团队使用sentencepiece工具,在12G知乎数据和2G悟道数据上训练了中文BPE词表。为了获得最优词表,团队采用了ALP(Average Log Probability)指标来评估不同词表的中文词汇能力。最终选择了新增6414个中文单字Token的词表,使得Chinese-Mixtral-8x7B的词表大小达到57000。
考虑到Mixtral-8x7B庞大的参数规模(46.7B),研究团队采用了QLoRA(Quantized Low-Rank Adaptation)技术进行增量预训练。这种方法在保持模型性能的同时,大幅降低了训练所需的计算资源。训练数据包括:
训练过程中,团队对原模型的所有Linear层应用了低秩分解,并将扩增 后的embedding和lm_head层参数设置为可训练。模型主体采用NF4格式进行量化,以减少权重信息损失。
研究团队使用了多个权威的评测数据集对Chinese-Mixtral-8x7B进行了全面评估:
评测结果显示,Chinese-Mixtral-8x7B在中文任务上的表现与TigerBot-13B-Base-v3相当,而在英文任务上则明显优于其他中文扩展模型。这充分体现了Chinese-Mixtral-8x7B在中英双语能力上的均衡发展。
模型名称 | C-Eval (中文) | CMMLU (中文) | MMLU (英文) | HellaSwag (英文) |
---|---|---|---|---|
Chinese-Mixtral-8x7B | 52.08 | 51.08 | 69.80 | 65.69 |
TigerBot-13B-Base-v3 | 50.52 | 51.65 | 53.46 | 59.16 |
Ziya2-13B-Base | 59.29 | 60.93 | 59.86 | 58.90 |
研究团队还对比了Chinese-Mixtral-8x7B与其他模型在中文编解码效率上的表现。结果显示,Chinese-Mixtral-8x7B的中文编解码效率仅次于TigerBot-13B-Base-v3,较原始Mixtral-8x7B模型提高了41.5%。这一改进不仅加速了中文文本的推理速度,还在In-Context Learning和Chain-of-Thought等场景中节省了序列长度,有利于提高复杂推理任务的性能。
Chinese-Mixtral-8x7B作为一个基座模型,为中文自然语言处理任务提供了强大的基础。它可以应用于文本生成、问答系统、情感分析等多个领域。然而,研究团队也提醒用户,该模型仍可能生成包含事实性错误的误导性回复或包含偏见/歧视的有害内容。因此,在使用过程中需要谨慎鉴别和使用生成的内容,避免将有害内容传播至互联网。
Chinese-Mixtral-8x7B的成功开发为中文大规模语言模型的研究开辟了新的方向。未来,研究团队计划从以下几个方面继续改进模型:
Chinese-Mixtral-8x7B的诞生标志着中文大规模语言模型研究迈出了重要一步。它不仅在性能上达到了国际先进水平,还为中文自然语言处理社区提供了宝贵的开源资源。随着模型的不断优化和应用范围的扩大,我们有理由相信,Chinese-Mixtral-8x7B将在推动中文信息处理技术发展和人工智能应用普及方面发挥重要作用。
AI Excel全自动制表工具
AEE 在线 AI 全自动 Excel 编辑器,提供智能录入、自动公式、数据整理、图表生成等功能,高效处理 Excel 任务,提升办公效率。支持自动高亮数据、批量计算、不规则数据录入,适用于企业、教育、金融等多场景。
基于 UI-TARS 视觉语言模型的桌面应用,可通过自然语言控制计算机进行多模态操作。
UI-TARS-desktop 是一款功能强大的桌面应用,基于 UI-TARS(视觉语言模型)构建。它具备自然语言控制、截图与视觉识别、精确的鼠标键盘控制等功能,支持跨平台使用(Windows/MacOS),能提供实时反馈和状态显示,且数据完全本地处理,保障隐私安全。该应用集成了多种大语言模型和搜索方式,还可进行文件系统操作。适用于需要智能交互和自动化任务的场景,如信息检索、文件管理等。其提供了详细的文档,包括快速启动、部署、贡献指南和 SDK 使用说明等,方便开发者使用和扩展。
开源且先进的大规模视频生成模型项目
Wan2.1 是一个开源且先进的大规模视频生成模型项目,支持文本到图像、文本到视频、图像到视频等多种生成任务。它具备丰富的配置选项,可调整分辨率、扩散步数等参数,还能对提示词进行增强。使用了多种先进技术和工具,在视频和图像生成领域具有广泛应用前景,适合研究人员和开发者使用。
全流程 AI 驱动的数据可视化工具,助力用户轻松创作高颜值图表
爱图表(aitubiao.com)就是AI图表,是由镝数科技推出的一款创新型智能数据可 视化平台,专注于为用户提供便捷的图表生成、数据分析和报告撰写服务。爱图表是中国首个在图表场景接入DeepSeek的产品。通过接入前沿的DeepSeek系列AI模型,爱图表结合强大的数据处理能力与智能化功能,致力于帮助职场人士高效处理和表达数据,提升工作效率和报告质量。
一款强大的视觉语言模型,支持图像和视频输入
Qwen2.5-VL 是一款强大的视觉语言模型,支持图像和视频输入,可用于多种场景,如商品特点总结、图像文字识别等。项目提供了 OpenAI API 服务、Web UI 示例等部署方式,还包含了视觉处理工具,有助于开发者快速集成和使用,提升工作效率。
HunyuanVideo 是一个可基于文本生成高质量图像和视频的项目。
HunyuanVideo 是一个专注于文本到图像及视频生成的项目。它具备强大的视频生成能力,支持多种分辨率和视频长度选择,能根据用户输入的文本生成逼真的图像和视频。使用先进的技术架构和算法,可灵活调整生成参数,满足不同场景的需求,是文本生成图像视频领域的优质工具。
一个基于 Gradio 构建的 WebUI,支持与浏览器智能体进行便捷交互。
WebUI for Browser Use 是一个强大的项目,它集成了多种大型语言模型,支持自定义浏览器使用,具备持久化浏览器会话等功能。用户可以通过简洁友好的界面轻松控制浏览器智能体完成各类任务,无论是数据提取、网页导航还是表单填写等操作都能高效实现,有利于提高工作效率和获取信息的便捷性。该项目适合开发者、研究人员以及需要自动化浏览器操作的人群使用,在 SEO 优化方面,其关键词涵盖浏览器使用、WebUI、大型语言模型集成等,有助于提高网页在搜索引擎中的曝光度。
基于 ESP32 的小智 AI 开发项目,支持多种网络连接与协议,实现语音交互等功能。
xiaozhi-esp32 是一个极具创新性的基于 ESP32 的开发项目,专注于人工智能语音交互领域。项目涵盖了丰富的功能,如网络连接、OTA 升级、设备激活等,同时支持多种语言。无论是开发爱好者还是专业开发者,都能借助该项目快速搭建起高效的 AI 语音交互系统,为智能设备开发提供强大助力。
一个用于 OCR 的项目,支持多种模型和服务器进行 PDF 到 Markdown 的转换,并提供测试和报告功能。
olmocr 是一个专注于光学字符识别(OCR)的 Python 项目,由 Allen Institute for Artificial Intelligence 开发。它支持多种模型和服务器,如 vllm、sglang、OpenAI 等,可将 PDF 文件的页面转换为 Markdown 格式。项目还提供了测试框架和 HTML 报告生成功能,方便用户对 OCR 结果进行评估和分析。适用于科研、文档处理等领域,有助于提高工作效率和准确性。
飞书多维表格 ×DeepSeek R1 满血版
飞书多维表格联合 DeepSeek R1 模型,提供 AI 自动化解决方案,支持批量写作、数据分析、跨模态处理等功能,适用于电商、短视频、影视创作等场景,提升企业生产力与创作效率。关键词:飞书多维表格、DeepSeek R1、AI 自动化、批量处理、企业协同工具。
最新AI工具、AI资讯
独家AI资源、AI项目落地
微信扫一扫关注公众号