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

讯飞智文

讯飞智文

一键生成PPT和Word,让学习生活更轻松

讯飞智文是一个利用 AI 技术的项目,能够帮助用户生成 PPT 以及各类文档。无论是商业领域的市场分析报告、年度目标制定,还是学生群体的职业生涯规划、实习避坑指南,亦或是活动策划、旅游攻略等内容,它都能提供支持,帮助用户精准表达,轻松呈现各种信息。

AI办公办公工具AI工具讯飞智文AI在线生成PPTAI撰写助手多语种文档生成AI自动配图热门
讯飞星火

讯飞星火

深度推理能力全新升级,全面对标OpenAI o1

科大讯飞的星火大模型,支持语言理解、知识问答和文本创作等多功能,适用于多种文件和业务场景,提升办公和日常生活的效率。讯飞星火是一个提供丰富智能服务的平台,涵盖科技资讯、图像创作、写作辅助、编程解答、科研文献解读等功能,能为不同需求的用户提供便捷高效的帮助,助力用户轻松获取信息、解决问题,满足多样化使用场景。

热门AI开发模型训练AI工具讯飞星火大模型智能问答内容创作多语种支持智慧生活
Spark-TTS

Spark-TTS

一种基于大语言模型的高效单流解耦语音令牌文本到语音合成模型

Spark-TTS 是一个基于 PyTorch 的开源文本到语音合成项目,由多个知名机构联合参与。该项目提供了高效的 LLM(大语言模型)驱动的语音合成方案,支持语音克隆和语音创建功能,可通过命令行界面(CLI)和 Web UI 两种方式使用。用户可以根据需求调整语音的性别、音高、速度等参数,生成高质量的语音。该项目适用于多种场景,如有声读物制作、智能语音助手开发等。

Trae

Trae

字节跳动发布的AI编程神器IDE

Trae是一种自适应的集成开发环境(IDE),通过自动化和多元协作改变开发流程。利用Trae,团队能够更快速、精确地编写和部署代码,从而提高编程效率和项目交付速度。Trae具备上下文感知和代码自动完成功能,是提升开发效率的理想工具。

AI工具TraeAI IDE协作生产力转型热门
咔片PPT

咔片PPT

AI助力,做PPT更简单!

咔片是一款轻量化在线演示设计工具,借助 AI 技术,实现从内容生成到智能设计的一站式 PPT 制作服务。支持多种文档格式导入生成 PPT,提供海量模板、智能美化、素材替换等功能,适用于销售、教师、学生等各类人群,能高效制作出高品质 PPT,满足不同场景演示需求。

讯飞绘文

讯飞绘文

选题、配图、成文,一站式创作,让内容运营更高效

讯飞绘文,一个AI集成平台,支持写作、选题、配图、排版和发布。高效生成适用于各类媒体的定制内容,加速品牌传播,提升内容营销效果。

热门AI辅助写作AI工具讯飞绘文内容运营AI创作个性化文章多平台分发AI助手
材料星

材料星

专业的AI公文写作平台,公文写作神器

AI 材料星,专业的 AI 公文写作辅助平台,为体制内工作人员提供高效的公文写作解决方案。拥有海量公文文库、9 大核心 AI 功能,支持 30 + 文稿类型生成,助力快速完成领导讲话、工作总结、述职报告等材料,提升办公效率,是体制打工人的得力写作神器。

openai-agents-python

openai-agents-python

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。

Hunyuan3D-2

Hunyuan3D-2

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。

3FS

3FS

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。

下拉加载更多