最近，一位網(wǎng)友整理了一份「每個LLM開發(fā)者都應(yīng)該知道的數(shù)字」，同時解釋了這些數(shù)字為何重要，以及我們應(yīng)該如何利用它們。

他在谷歌的時候，就有一份由傳奇工程師Jeff Dean整理的文件，叫做「每個工程師都應(yīng)該知道的數(shù)字」。

Jeff Dean：「每個工程師都應(yīng)該知道的數(shù)字」

而對于LLM（Large Language Model）開發(fā)者來說，有一組類似的用于粗略估算的數(shù)字也是非常有用的。

Prompt

40-90%：在提示中添加「簡明扼要」之后節(jié)省的成本

要知道，你是按照LLM在輸出時用掉的token來付費的。

這意味著，讓模型簡明扼要（be concise）地進行表述，可以省下很多錢。

與此同時，這個理念還可以擴展到更多地方。

比如，你本來想用GPT-4生成10個備選方案，現(xiàn)在也許可以先要求它提供5個，就可以留下另一半的錢了。

1.3：每個詞的平均token數(shù)

LLM是以token為單位進行操作的。

而token是單詞或單詞的子部分，比如「eating」可能被分解成兩個token「eat」和「ing」。

一般來說，750個英文單詞將產(chǎn)生大約1000個token。

對于英語以外的語言，每個詞的token會有所增加，具體數(shù)量取決于它們在LLM的嵌入語料庫中的通用性。

價格

考慮到LLM的使用成本很高，因此和價格相關(guān)的數(shù)字就變得尤為重要了。

~50：GPT-4與GPT-3.5 Turbo的成本比

使用GPT-3.5-Turbo大約比GPT-4便宜50倍。說「大約」是因為GPT-4對提示和生成的收費方式不同。

所以在實際應(yīng)用時，最好確認一下GPT-3.5-Turbo是不是就足夠完成你的需求。

例如，對于概括總結(jié)這樣的任務(wù)，GPT-3.5-Turbo綽綽有余。

5：使用GPT-3.5-Turbo與OpenAI嵌入進行文本生成的成本比

這意味著在向量存儲系統(tǒng)中查找某個內(nèi)容比使用用LLM生成要便宜得多。

具體來說，在神經(jīng)信息檢索系統(tǒng)中查找，比向GPT-3.5-Turbo提問要少花約5倍的費用。與GPT-4相比，成本差距更是高達250倍！

10：OpenAI嵌入與自我托管嵌入的成本比

注意：這個數(shù)字對負載和嵌入的批大小非常敏感，因此請將其視為近似值。

通過g4dn.4xlarge（按需價格：1.20美元/小時），我們可以利用用HuggingFace的SentenceTransformers（與OpenAI的嵌入相當(dāng)）以每秒約9000個token的速度進行嵌入。

在這種速度和節(jié)點類型下進行一些基本的計算，表明自我托管的嵌入可以便宜10倍。

6：OpenAI基礎(chǔ)模型與微調(diào)模型查詢的成本比

在OpenAI上，微調(diào)模型的成本是基礎(chǔ)模型的6倍。

這也意味著，相比微調(diào)定制模型，調(diào)整基礎(chǔ)模型的提示更具成本效益。

1：自我托管基礎(chǔ)模型與微調(diào)模型查詢的成本比

如果你自己托管模型，那么微調(diào)模型和基礎(chǔ)模型的成本幾乎相同：這兩種模型的參數(shù)數(shù)量是一樣的。

訓(xùn)練和微調(diào)

~100萬美元：在1.4萬億個token上訓(xùn)練130億參數(shù)模型的成本

論文地址：https://arxiv.org/pdf/2302.13971.pdf

LLaMa的論文中提到，他們花了21天的時間，使用了2048個A100 80GB GPU，才訓(xùn)練出了LLaMa模型。

假設(shè)我們在Red Pajama訓(xùn)練集上訓(xùn)練自己的模型，假設(shè)一切正常，沒有任何崩潰，并且第一次就成功，就會得到上述的數(shù)字。

此外，這個過程還涉及到2048個GPU之間的協(xié)調(diào)。

大多數(shù)公司，并沒有條件做到這些。

不過，最關(guān)鍵的信息是：我們有可能訓(xùn)練出自己的LLM，只是這個過程并不便宜。

并且每次運行，都需要好幾天時間。

相比之下，使用預(yù)訓(xùn)練模型，會便宜得多。

< 0.001：微調(diào)與從頭開始訓(xùn)練的成本費率

這個數(shù)字有點籠統(tǒng)，總的來說，微調(diào)的成本可以忽略不計。

例如，你可以用大約7美元的價格，微調(diào)一個6B參數(shù)的模型。

即使按照OpenAI對其最昂貴的微調(diào)模型Davinci的費率，每1000個token也只要花費3美分。

這意味著，如果要微調(diào)莎士比亞的全部作品（大約100萬個單詞），只需要花費四五十美元。

不過，微調(diào)是一回事，從頭開始訓(xùn)練，就是另一回事了......

GPU顯存

如果您正在自托管模型，了解GPU顯存就非常重要，因為LLM正在將GPU的顯存推向極限。

以下統(tǒng)計信息專門用于推理。如果要進行訓(xùn)練或微調(diào)，就需要相當(dāng)多的顯存。

V100：16GB，A10G：24GB，A100：40/80GB：GPU顯存容量

了解不同類型的GPU的顯存量是很重要的，因為這將限制你的LLM可以擁有的參數(shù)量。

一般來說，我們喜歡使用A10G，因為它們在AWS上的按需價格是每小時1.5到2美元，并且用有24G的GPU顯存，而每個A100的價格約為5美元/小時。

2x 參數(shù)量：LLM的典型GPU顯存要求

舉個例子，當(dāng)你擁有一個70億參數(shù)的模型時，就需要大約14GB的GPU顯存。

這是因為大多數(shù)情況下，每個參數(shù)需要一個16位浮點數(shù)（或2個字節(jié)）。

通常不需要超過16位精度，但大多數(shù)時候，當(dāng)精度達到8位時，分辨率就開始降低（在某些情況下，這也可以接受）。

當(dāng)然，也有一些項目改善了這種情況。比如llama.cpp就通過在6GB GPU上量化到4位（8位也可以），跑通了130億參數(shù)的模型，但這并不常見。

~1GB：嵌入模型的典型GPU顯存要求

每當(dāng)你嵌入語句（聚類、語義搜索和分類任務(wù)經(jīng)常要做的事）時，你就需要一個像語句轉(zhuǎn)換器這樣的嵌入模型。OpenAI也有自己的商用嵌入模型。

通常不必擔(dān)心GPU上的顯存嵌入占用多少，它們相當(dāng)小，甚至可以在同一GPU上嵌入LLM。

>10x：通過批處理LLM請求，提高吞吐量

通過GPU運行LLM查詢的延遲非常高：吞吐量為每秒0.2個查詢的話，延遲可能需要5秒。

有趣的是，如果你運行兩個任務(wù)，延遲可能只需要5.2秒。

這意味著，如果能將25個查詢捆綁在一起，則需要大約10秒的延遲，而吞吐量已提高到每秒2.5個查詢。

不過，請接著往下看。

~1 MB：130億參數(shù)模型輸出1個token所需的GPU顯存

你所需要的顯存與你想生成的最大token數(shù)量直接成正比。

比如，生成最多512個token（大約380個單詞）的輸出，就需要512MB的顯存。

你可能會說，這沒什么大不了的——我有24GB的顯存，512MB算什么？然而，如果你想運行更大的batch，這個數(shù)值就會開始累加了。

比如，如果你想做16個batch，顯存就會直接增加到8GB。