一覺醒來，史丹佛大模型Alpaca 火了。
#沒錯，Alpaca是由Meta的LLaMA 7B微調而來的全新模型，僅用了52k數據，性能約等於GPT-3.5。
關鍵是訓練成本奇低，不到600美元。具體花費如下：
在8個80GB A100上訓練了3個小時，不到100美元；
產生資料使用OpenAI的API，500美元。
史丹佛大學電腦科學副教授Percy Liang稱，由於缺乏透明度/無法完全存取像GPT 3.5這樣的有能力的指令模型，進而限制了這一重要領域的學術研究。我們在 Alpaca （LLaMA 7B text-davinci-003）上邁出了一小步。
看到又有人在自家大模型上取得了新的成果，Yann LeCun瘋狂轉寄（宣傳要到位）。
話不多說，先試試一波。
問：告訴我一些關於羊駝的事情。
答案：羊駝是來自南美洲的駱駝品種，與美洲駝和駱駝有關。它們通常因其纖維而被飼養，用於製造奢侈品，如毛衣和毛毯。由於羊駝的溫柔和友善的天性，它們也是很受歡迎的寵物。
體驗連結：https://crfm.stanford.edu/alpaca/
對史丹佛的團隊來說，想要在預算內訓練一個高品質的指令遵循模型，就必須面對2個重要的挑戰：要有一個強大的預訓練語言模型，以及一個高品質的指令遵循資料。
恰恰，提供給學術研究人員使用的LLaMA模型搞定了第一個問題。
對於第二個挑戰，「Self-Instruct: Aligning Language Model with Self Generated Instructions」論文給了很好的啟發，即使用現有的強語言模型來自動產生指令資料。
然而，LLaMA模型最大的弱點就是缺乏指令微調。 OpenAI最大的創新之一就是將指令調優用在了GPT-3。
對此，史丹佛使用了現有的大語言模型，來自動產生遵循指令演示。
#
首先從自生成指令種子集中的175個人工所寫的「指令-輸出」對開始，然後，提示text- davinci-003使用種子集作為上下文範例來產生更多指令。
透過簡化產生管道改進了自生成指令的方法，這大大降低了成本。在資料產生過程中，產生了52K個獨特指令和對應的輸出，使用OpenAI API的成本不到500美元。
有了這個指令遵循的資料集，研究人員利用Hugging Face的訓練框架對LLaMA模型進行微調，利用了完全分片資料並行（FSDP ）和混合精度訓練等技術。
另外，微調一個7B的LLaMA模型在8個80GB的A100上花了3個多小時，在大多數雲端運算供應商那裡的成本不到100美元。
為了評估Alpaca，史丹佛研究人員對自生成指令評估集的輸入進行了人工評估（由5位學生作者進行）。
這個評價集是由自生成指令作者收集的，涵蓋了多樣化的使用者導向的指令，包括電子郵件寫作、社群媒體和生產力工具等。
他們對GPT-3.5（text-davinci-003）和Alpaca 7B進行了比較，發現這兩個模型的表現非常相似。 Alpaca在與GPT-3.5的比較中，獲勝次數為90對89。
鑑於模型規模較小，且指令資料量不大，取得這個結果已經是相當驚人了。
除了利用這個靜態評估集，他們還對Alpaca模型進行了互動式測試，發現Alpaca在各種輸入上的表現往往與GPT-3.5相似。
史丹佛用Alpaca進行的示範：
示範一讓Alpaca來談談自己和LLaMA的差別。
#示範二讓Alpaca寫了一封郵件，內容簡潔明了，格式也很標準。
#上述範例可以看出，Alpaca的輸出結果一般都寫得不錯，而且答案通常比ChatGPT短，體現了GPT-3.5較短輸出的風格。
當然了，Alpaca表現出語言模型常見的缺陷。
例如，將坦尚尼亞的首都說成了達累斯薩拉姆。實則，1974年後，多多馬是坦尚尼亞的新首都了，達累斯薩拉姆只是坦尚尼亞最大的城市。
#在撰寫週詳的論文摘要時，Alpaca傳播了錯誤的訊息。
#
另外，Alpaca可能還有許多與底層語言模型和指令微調資料相關的限制。然而，Alpaca為我們提供了一個相對輕量級的模型，它可以成為未來研究大模型重要缺陷的基礎。
目前，史丹佛僅公佈了Alpaca的訓練方法和數據，並打算在未來發布模型的權重。
但是，Alpaca是不能用於商業用途，只能用於學術研究。具體原因有三：
1. LLaMA是一個非商業許可的模型，Alpaca是基於該模型生成的；
2. 指令資料是基於OpenAI的text-davinci-003，其使用條款禁止開發與OpenAI競爭的模型；
3. 沒有設計足夠多的安全措施，所以Alpaca還沒有做好廣泛使用的準備
#除此之外，史丹佛研究人員總結了Alpaca未來研究會有三個方向。
#從HELM（語言模型的整體評估）開始捕捉更多的生成性、遵循指令的場景。
#進一步研究Alpaca的風險，並使用自動紅隊分組、審計和適應性測試等方法來提高其安全性。
希望能更好地理解模型能力是如何從訓練方法產生的。需要基礎模型的什麼屬性？擴大模型規模時會發生什麼？需要指令資料的什麼屬性？在GPT-3.5上，除了使用自生成指令，還有什麼替代方法？
現在，史丹佛「羊駝」直接被網友奉為「大文模型的Stable Diffusion」。
Meta的LLaMA模型可以免費給研究人員使用（當然需要申請後）簡直利好AI圈友們。
自ChatGPT橫空出世以來，讓許多人對AI模型的內建限制感到沮喪。這些限制阻止ChatGPT討論OpenAI認為敏感的話題。
因此，AI社群便希望能夠有一個開源大語言模型（LLM），任何人都可以在本地運行而無需審查，也無需向OpenAI支付API費用。
要說這樣開源大模型現在也有，例如GPT-J，但美中不足的是需要大量的GPU記憶體和儲存空間。
另一方面，其他開源平替版無法在現成的消費級硬體上擁有GPT-3等級的效能。
2月底，Meta推出了最新的語言模型LLaMA，參數量分別是70億（7B）、130億（13B）、330億（33B ）和650億（65B）。評測結果顯示，其13B版本便可與GPT-3相媲美。
論文網址：https://research.facebook.com/publications/llama-open-and-efficient-foundation-language-models/
雖然Meta向通過申請的研究人員開放原始碼，但沒想到網友最早在GitHub上洩漏了LLaMA的權重。
自此，圍繞LLaMA語言模型的發展呈現爆炸性成長。
通常，執行GPT-3需要多個資料中心級A100 GPU，再加上GPT-3的權重並不是公開的。
網友紛紛自己「用刀」運行LLaMA模型一時引起了轟動。
透過量化技術對模型大小進行最佳化，LLaMA現在可以在M1 Mac、較小Nvidia消費者GPU、Pixel 6手機、甚至是樹莓派上運行。
網友總結了，從LLaMA的發佈到現在，大家利用LLaMA做出的一些成果：
2月24日，LLaMA發布，並在非商業許可下提供給政府、社區和學術界的研究人員和實體工作者；
##3月2日，4chan網友洩漏了全部的LLaMA模型；
3月10日，Georgi Gerganov創建了llama.cpp工具，可以在搭載M1/M2晶片的Mac上運行LLaMA；
3月11日：透過llama.cpp可以在4GB RaspberryPi上運行7B模型，但速度比較慢，只有10秒/token；
3月12日：LLaMA 7B在一個node.js執行工具NPX上成功運作；
3月13日：llama.cpp可以在Pixel 6手機上運作；
##而現在，斯坦福Alpaca“羊駝”發布。 One More Thing
專案沒放出多久，Alpaca火爆到直接不能用了....
許多網友吵吵，點「生成」沒反應，還有的在排隊等玩兒。
#
以上是LeCun稱讚600美元的GPT-3.5可代替五金！史丹佛的70億參數「羊駝」風靡，LLaMA表現驚人！的詳細內容。更多資訊請關注PHP中文網其他相關文章！
