苹果开源7B大模型，训练过程数据集一口气全给了，网友：开放得不像苹果
一水 发自 凹非寺
量子位 | 公众号 QbitAI
苹果最新杀入开源大模型战场，而且比其他公司更开放。
推出7B模型，不仅效果与Llama 3 8B相当，而且一次性开源了全部训练过程和资源。
要知道，不久前Nature杂志编辑Elizabeth Gibney还撰文批评：
许多声称开源的AI模型，实际上在数据和训练方法上并不透明，无法满足真正的科学研究需求。
而苹果这次竟然来真的！！
就连NLP科学家、AutoAWQ创建者也发出惊叹：
Apple发布了一个击败Mistral 7B的模型，但更棒的是他们完全开源了所有内容，包括预训练数据集！
也引来网友在线调侃：
至于这次开源的意义，有热心网友也帮忙总结了：
对于任何想要从头开始训练模型或微调现有模型的人来说，数据管理过程是必须研究的。
当然，除了OpenAI和苹果，上周Mistral AI联合英伟达也发布了一个12B参数小模型。
HuggingFace创始人表示，「小模型周」来了！
卷！继续卷！所以苹果这次发布的小模型究竟有多能打？
效果直逼Llama 3 8B
有多能打先不说，先来看Hugging Face技术主管刚“拆箱”的模型基础配置。
总结下来就是：
7B基础模型，在开放数据集上使用2.5T tokens进行训练
主要是英文数据，拥有2048tokens上下文窗口
数据集包括DCLM-BASELINE、StarCoder和ProofPile2
MMLU得分接近Llama 3 8B
使用PyTorch和OpenLM框架进行训练
具体而言，研究团队先是提出了一个语言模型数据比较新基准 ——DCLM。
之所以提出这一基准，是因为团队发现：
由机器学习 (ML) 模型从较大的数据集中自动过滤和选择高质量数据，可能是构建高质量训练集的关键。
因此，团队使用DCLM来设计高质量数据集从而提高模型性能，尤其是在多模态领域。
其思路很简单：使用一个标准化的框架来进行实验，包括固定的模型架构、训练代码、超参数和评估，最终找出哪种数据整理策略最适合训练出高性能的模型。
基于上述思路，团队构建了一个高质量数据集DCLM-BASELINE，并用它从头训练了一个7B参数模型——DCLM-7B。
DCLM-7B具体表现如何呢？
结果显示，它在MMLU基准上5-shot准确率达64%，可与Mistral-7B-v0.3（63%）和Llama 3 8B（66%）相媲美；并且在53个自然语言理解任务上的平均表现也可与Llama 3 8B相媲美，而所需计算量仅为后者的1/6。
与其他同等大小模型相比，DCLM-7B的MMLU得分超越Mistral-7B，接近Llama 3 8B。
最后，为了测试新数据集效果，有业内人士用卡帕西的llm.c训练了GPT-2 1.5B，来比较DCLM-Baseline与FineWeb-Edu这两个数据集。
结果显示DCLM-Baseline取得了更高的平均分，且在ARC（小学生科学问题推理）、HellaSwag（常识推理）、MMLU等任务上表现更好。
“小”模型成新趋势
回到开头，“小”模型最近已成新趋势。
先是HuggingFace推出了小模型家族“SmolLM”，其中包含135M、360M和1.7B型号模型。
它们在广泛的推理和常识基准上优于类似大小的模型。
然后OpenAI突然发布了GPT-4o mini，不仅能力接近GPT-4，而且价格大幅下降。
就在GPT-4o mini发布同日，Mistral AI联合英伟达发布了12B参数小模型——Mistral NeMo。
从整体性能上看，Mistral NeMo在多项基准测试中，击败了Gemma 2 9B和Llama 3 8B。
所以，为啥大家都开始卷小模型了？
原因嘛可能正如smol AI创始人提醒的，虽然模型变小了，但在能力相近的情况下，小模型大大降低了成本。
就像他提供的这张图，以GPT-4o mini为代表的小模型整体比右侧价格更低。
对此，我等吃瓜群众be like:
所以，你更看好哪家呢？（欢迎评论区讨论留言）
模型地址：
https://huggingface.co/apple/DCLM-7B
GitHub:
https://github.com/mlfoundations/dclm
数据集地址：
https://huggingface.co/datasets/mlfoundations/dclm-baseline-1.0
参考链接：
[1]https://x.com/Yuchenj_UW/status/1813260100192334108
[2]https://x.com/casper_hansen_/status/1814269340100751382
[3]https://x.com/_philschmid/status/1814274909775995087
[4]https://x.com/LoubnaBenAllal1/status/1813252390692303069
— 完 —
量子位年度AI主题策划正在征集中！
欢迎投稿专题 一千零一个AI应用，365行AI落地方案
或与我们分享你在寻找的AI产品，或发现的AI新动向
点这里👇关注我，记得标星哦～
微信扫码关注该文公众号作者