重训「羊驼」大模型并彻底开放商用，UC 伯克利博士生：Meta 不愿做就自己做|世界播资讯

Meta" 羊驼 "（LLaMA）的开源可商用复现品 OpenLLaMA 发布重大更新：

在1T token上训练出来的130 亿参数版本现已正式上线。

至此，这一训练量和原版羊驼已完全一致。

(资料图)

可谓 " 一家人整整齐齐 "。

性能测试显示，OpenLLaMA 在多项任务中的表现都与原始 LLaMA 相当，并且不乏超越的情况。

目前，OpenLLaMA 在 GitHub 上的标星数已近 5k。

OpenLLaMA 是 UC 伯克利的博士生Hao Liu发起的项目（Xinyang Geng 拥有同等贡献，也是该校博士生）。

它在 Together 公司发布的 RedPajama 数据集上训练，该数据集其实也是 LLaMA 训练集的复制品，一共包含 1.2T token。

除了数据集不太一样之外，OpenLLaMA 使用了与原始 LLaMA完全相同的预处理步骤和训练超参数，包括模型架构、上下文长度、训练步骤、学习率时间表和优化器，可以说是 " 重训 " 了一把。

今年 5 月，该团队率先发布了 70 亿参数版本，不过当时训练 token 还是 3000 亿。

按照计划，如今和原 LLaMA 训练数据量一致的 130 亿参数版本和 70 亿、30 亿版本一同发布。

和另外两个版本一样，OpenLLaMA-13B 也以两种格式发布权重：

一是用于 Hugging Face transformer 的 PyTorch 格式。

使用该格式时需要注意先避免使用 Hugging Face 快速分词器（tokenizer），因为它的自动转换功能有时会给出不正确的 tokenization。

所以可以先直接使用 LlamaTokenizer class 来实现，或者用 AutoTokenizer class，将 use_fast 赋为 False。

二是用于 EasyLM 框架的 EasyLM 格式。

在此请注意，与原始 LLaMA 不同，该 OpenLLaMA 的分词器和权重是完全从头开始训练的，因此不再需要获取原始 LLaMA 的这俩信息。

接下来，在训练量已达成一致的情况下，看 OpenLLaMA 各规模模型的性能表现如何。

在这里，作者使用 EleutherAI 发布的自回归语言模型 few-shot 评估框架（lm-evaluation-harness）对两只 " 羊驼 " 进行评估，以及还加入了 " 第三者 "：

EleutherAI 在 Pile 数据集上训练的 60 亿参数模型GPT-J，它的训练 token 数是 5000 亿。

需要注意的是，可能是因为不同的评估协议，作者跑出来的 LLaMA 结果与原始 LLaMA 略有不同。

以下是结果：

红色小方框为 OpenLLaMA 超过或者与原 LLaMA 表现一样的情况。

在红框之外，两者的差距也不大。

与此同时，只有 30 亿参数的 OpenLLaMA 平均性能超越 60 亿参数的 GPT-J。

Meta 也要发可商用大模型了

特斯拉前 AI 高级总监 Andrej Karpathy 在上个月的微软 Build 大会的演讲上，曾多次表达一个意思：

LLaMA-65b 就是目前最好的开源基础模型，可惜没能商用。

不过，也有一则好消息。

就在几天前，据 The Information 爆料，Meta AI 正计划发布一个新的 LLM，并且免费供大家商用。

有观点指出，在如今行业大佬如谷歌 Bard 和 OpenAI ChatGPT 都 " 紧闭大门 " 的情况下，Meta 这一做法可能会引发连锁反应，并且开源模型和闭源模型的差距会越来越小。

就且拭目以待。

关于 OpenLLaMA 的所有相关链接：

https://github.com/openlm-research/open_llama

https://huggingface.co/openlm-research/open_llama_13b

本文参考链接还包括：

https://www.artisana.ai/articles/metas-plan-to-offer-free-commercial-ai-models-puts-pressure-on-google-and