MicroLlama

MicroLlama

预算内的大规模语言模型构建:300M Llama模型的探索

该项目在有限预算内,通过全面开源的方法构建了一个300M Llama语言模型。尽管性能不及更大型的模型,但以不到500美元的投入,在多数据集上表现出色,并在与类似参数的BERT模型比较时展现优势。项目使用Vast.ai的计算资源和AWS S3存储,对TinyLlama模型进行了调整,重点优化Slimpajama数据集。这一项目展示了低成本大规模模型开发的潜力,并为细化应用如轻量级聊天机器人提供了坚实基础。

开源项目huggingface模型Github开源Huggingface文本生成MicroLlama语言模型

MicroLlama项目介绍

MicroLlama是一个轻量级的大型语言模型项目,由个人开发者keeeeenw发起。与许多大企业追求越来越大的模型相反,MicroLlama着眼于建立一个小而精致的模型,其主要目标是在有限的预算和资源下实现模型的预训练。

项目背景和目标

MicroLlama项目的目标是预训练一个300M规模的Llama模型,同时满足以下条件:

  1. 总预算不得超过500美元。
  2. 必须使用完全开源的数据集和模型从头开始预训练一个大语言模型。
  3. 不能微调模型,也不能使用像GPT-4这样的现有语言模型生成训练数据。

模型详细信息

MicroLlama项目受到了TinyLlama的启发,这是一个开源项目,目标是预训练一个1.1.1B的Llama模型。MicroLlama目前进行了四天的训练,已花费280美元云计算费用和3美元的AWS S3存储费用,并使用50B个tokens对300M Llama模型进行了训练。

主要的模型配置继承自TinyLlama:

  • block_size=2048
  • vocab_size=32000
  • n_layer=12
  • n_head=16
  • 其他参数如rotary_percentageintermediate_size等均经过精心设计。

项目进展和修改

为了实现上述目标,项目对TinyLlama进行了多处修改:

  1. 将原来的模型缩小至300M,并专注于Slimpajama数据集。
  2. 移除了Starcoderdata数据集,以便模型更集中于Slimpajama,这也意味着模型未经微调可能不适合编码任务。
  3. 增加了在下载数据同时处理和标记的能力,从而节省时间。
  4. 提供了多种辅助脚本和Python代码。

使用说明

用户可以通过以下步骤安装和运行MicroLlama:

  1. 安装依赖:
    pip install transformers pip install torch
  2. 使用示例代码生成文本。

模型评估

MicroLlama使用标准的lm-evaluation-harness进行了实验评估。评估结果显示,MicroLlama虽小于TinyLlama,但在多个数据集上的表现与其接近,并优于常见的小型LLM如BERT。

模型预训练TokensHellaSwagObqaWinoGrandeARC_cARC_eboolqpiqa平均
MicroLlama50B34.3030.6051.5423.2939.0653.1564.5842.36
BERT大写无引号版本N/A24.5326.2049.8025.6825.0840.8647.6634.26
TinyLlama-1.1B-Chat-v0.1503B53.8132.2055.0128.6749.6258.0469.6449.57
TinyLlama-1.1B中间步骤-1431k-3T3T59.2036.0059.1230.1255.2557.8373.2952.99

通过评估结果可以看出,MicroLlama是一个小型LLM的良好起点,可用于句子转换、打分和轻量级聊天机器人等任务。

结论

MicroLlama项目在预算有限的情况下,成功实现了小规模模型的预训练。通过对开源资源的充分利用,它为无须巨额投资的模型开发提供了新的思路和方向。

编辑推荐精选

AEE

AEE

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。

UI-TARS-desktop

UI-TARS-desktop

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。

Wan2.1

Wan2.1

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。

爱图表

爱图表

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。

Qwen2.5-VL

Qwen2.5-VL

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

HunyuanVideo

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。

WebUI for Browser Use

WebUI for Browser Use

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。

xiaozhi-esp32

xiaozhi-esp32

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。

olmocr

olmocr

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

飞书多维表格

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。

下拉加载更多