Github
Huggingface
论文项目介绍：MobiLlama
MobiLlama 是一个由Mohamed Bin Zayed人工智能大学（MBZUAI）和瑞典林雪平大学共同开发的项目。它的目的在于创建一款准确且轻量化的全透明小型语言模型，适用于资源受限的设备。
背景
“大即更好”是近年来大语言模型(LLMs)发展的主流趋势，但对于需要设备内处理、能耗效率、低内存消耗和响应效率的场景来说，大型模型并不适用。这些需求对于隐私、安全和可持续部署至关重要。MobiLlama 项目挑战了这个惯性思维，探索出“小即美”的新范式，旨在为资源有限的设备设计出高效、准确的小型语言模型(SLMs)。
主要贡献
MobiLlama 的主要贡献在于引入了一个具备 5 亿（0.5B）参数的开源小型语言模型，专为满足资源受限计算的特定需求而设计，强调在减少资源需求的同时提高性能。MobiLlama 的设计从一个较大的模型开始，并通过精确的参数共享来降低预训练和部署的成本。
模型版本与下载
MobiLlama 提供了多个版本，包括：
生成与评估
MobiLlama 的生成能力可通过Python代码加载实现，不同版本的模型可以在 HuggingFace 上下载使用。此外，可以加载中间检查点以便在特定位置继续训练。
MobiLlama 在多个基准测试中表现卓越，尤其是在0.5B和0.8B的配置下，在处理复杂语言任务时表现出色。
数据集
在 HuggingFace 上可以下载预处理好的 Amber 数据集，总计约8TB，包含1.2兆亿个从各个数据源收集的词汇。
安装与预训练
用户可以通过以下步骤安装和运行 MobiLlama：
- 安装 PyTorch。
- 克隆 MobiLlama 仓库并安装所需的额外库。
- 使用特定命令进行预训练。
Android应用
该项目还提供了一个安卓应用的APK下载链接，可以将模型运行于安卓设备上，方便移动设备的模型调用实践。
鸣谢和引用
MobiLlama 感谢 LLM-360 团队提供的全透明开源实现方案。若需引用该项目，请使用提供的引用格式。
通过对大语言模型优化设计与轻量化部署，MobiLlama 展现了其在各类语言处理任务中的潜力与优势，为在资源受限环境下的语言模型应用提供了创新解决方案。
