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。
OpenAI Agents SDK,助力开发者便捷使用 OpenAI 相关功能。
openai-agents-python 是 OpenAI 推出的一款强大 Python SDK,它为开发者提供了与 OpenAI 模型交互的高效工具,支持工具调用、结果处理、追踪等功能,涵盖多种应用场景,如研究助手、财务研究等,能显著提升开发效率,让开发者更轻松地利用 OpenAI 的技术优势。
高分辨率纹理 3D 资产生成
Hunyuan3D-2 是腾讯开发的用于 3D 资产生成的强大工具,支持从文本描述、单张图片或多视角图片生成 3D 模型,具备快速形状生成能力,可生成带纹理的高质量 3D 模型,适用于多个领域,为 3D 创作提供了高效解决方案。
一个具备存储、管理和客户端操作等多种功能的分布式文件系统相关项目。
3FS 是一个功能强大的分布式文件系统项目,涵盖了存储引擎、元数据管理、客户端工具等多个模块。它支持多种文件操作,如创建文件和目录、设置布局等,同时具备高效的事件循环、节点选择和协程池管理等特性。适用于需要大规模数据存储和管理的场景,能够提高系统的性能和可靠性,是分布式存储领域的优质解决方案。
用于可扩展和多功能 3D 生成的结构化 3D 潜在表示
TRELLIS 是一个专注于 3D 生成的项目,它利用结构化 3D 潜在表示技术,实现了可扩展且多功能的 3D 生成。项目提供了多种 3D 生成的方法和工具,包括文本到 3D、图像到 3D 等,并且支持多种输出格式,如 3D 高斯、辐射场和网格等。通过 TRELLIS,用户可以根据文本描述或图像输入快速生成高 质量的 3D 资产,适用于游戏开发、动画制作、虚拟现实等多个领域。
10 节课教你开启构建 AI 代理所需的一切知识
AI Agents for Beginners 是一个专为初学者打造的课程项目,提供 10 节课程,涵盖构建 AI 代理的必备知识,支持多种语言,包含规划设计、工具使用、多代理等丰富内容,助您快速入门 AI 代理领域。
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。
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