一聲炸雷深夜炸響，谷歌居然也開源LLM了？！

這次，重磅開源的Gemma有2B和7B兩種規模，并且采用了與Gemini相同的研究和技術構建。

有了Gemini同源技術的加持，Gemma不僅在相同的規模下實現SOTA的性能。

而且更令人印象深刻的是，還能在關鍵基準上越級碾壓更大的模型，比如Llama 2 13B。

與此同時，谷歌還放出了16頁的技術報告。

技術報告地址：https://storage.googleapis.com/deepmind-media/gemma/gemma-report.pdf

谷歌表示，Gemma這個名字源自拉丁語「gemma」，也就是「寶石」的意思，似乎是在象征著它的珍貴性。

歷史上，Transformers、TensorFlow、BERT、T5、JAX、AlphaFold和AlphaCode，都是谷歌為開源社區貢獻的創新。

谷歌：今天我就來給你表演一個什么是Open AI

而谷歌今天在全球范圍內同步推出的Gemma，必然會再一次掀起構建開源AI的熱潮。

同時也坐實了OpenAI「唯一ClosedAI」的名頭。

OpenAI最近剛因為Sora火到爆，Llame據稱也要有大動作，谷歌這就又搶先一步。硅谷大廠，已經卷翻天了！

谷歌：開源閉源我全都要

Hugging Face CEO也跟帖祝賀。

還貼出了Gemma登上Hugging Face熱榜的截圖。

Keras作者Fran?ois Chollet直言：最強開源大模型，今日易主了。

有網友已經親自試用過，表示Gemma 7B真是速度飛快。

谷歌簡直是用Gemini拳打GPT-4，用Gemma腳踢Llama 2！

網友們也是看熱鬧不嫌事大，召喚Mistral AI和OpenAI今晚趕快來點大動作，別讓谷歌真的搶了頭條。（手動狗頭）

同規模刷新SOTA，越級單挑Llama 2 13B

可以看到，Gemma-7B模型在涵蓋一般語言理解、推理、數學和編碼的8項基準測試中，性能已經超越了Llama 2 7B和13B！

并且，它也超越了Mistral 7B模型的性能，尤其是在數學、科學和編碼相關任務中。

在安全性方面，經過指令微調的Gemma-2B IT和 Gemma-7B IT模型，在人類偏好評估中都超過了Mistal-7B v0.2模型。

特別是Gemma-7B IT模型，它在理解和執行具體指令方面，表現得更加出色。

一整套工具：跨框架、工具和硬件進行優化

這次，除了模型本身，谷歌還提供了一套工具幫助開發者，確保Gemma模型負責任的使用，幫助開發者用Gemma構建更安全的AI應用程序。

- 谷歌為JAX、PyTorch和TensorFlow提供了完整的工具鏈，支持模型推理和監督式微調（SFT），并且完全兼容最新的Keras 3.0。

- 通過預置的Colab和Kaggle notebooks，以及與Hugging Face、MaxText、NVIDIA NeMo和TensorRT-LLM等流行工具的集成，用戶可以輕松開始探索Gemma。

- Gemma模型既可以在個人筆記本電腦和工作站上運行，也可以在Google Cloud上部署，支持在Vertex AI和Google Kubernetes Engine (GKE) 上的簡易部署。

- 谷歌還對Gemma進行了跨平臺優化，確保了它在NVIDIA GPU和Google Cloud TPU等多種AI硬件上的卓越性能。

并且，使用條款為所有組織提供了負責任的商業使用和分發權限，不受組織規模的限制。

但，沒有全勝

不過，Gemma并沒有能夠在所有的榜單中，都拿下SOTA。

在官方放出的評測中，Gemma 7B在MMLU、HellaSwag、SIQA、CQA、ARC-e、HumanEval、MBPP、GSM8K、MATH和AGIEval中，成功擊敗了Llama 2 7B和13B模型。

相比之下，Gemma 7B在Boolq測試中，只與Mistral 7B打了個平手。

而在PIQA、ARC-c、Winogrande和BBH中，則不敵Mistral 7B。

在OBQA和trivalent QA中，更是同時被7B和13B規模的Llama 2 7B斬于馬下。

技術報告

谷歌這次發布的兩個版本的Gemma模型，70 億參數的模型用于GPU和TPU上的高效部署和開發，20億參數的模型用于CPU和端側應用程序。

在18個基于文本的任務中的11個中，Gemma都優于相似參數規模的開源模型，例如問答、常識推理、數學和科學、編碼等任務。

模型架構方面，Gemma在Transformer的基礎上進行了幾項改進，從而在處理復雜任務時能夠展現出更加出色的性能和效率。

- 多查詢注意力機制

其中，7B模型采用了多頭注意力機制，而2B模型則使用了多查詢注意力機制。結果顯示，這些特定的注意力機制能夠在不同的模型規模上提升性能。

- RoPE嵌入

與傳統的絕對位置嵌入不同，模型在每一層都使用了旋轉位置嵌入技術，并且在模型的輸入和輸出之間共享嵌入，這樣做可以有效減少模型的大小。

- GeGLU激活函數

將標準的ReLU激活函數替換成GeGLU激活函數，可以提升模型的表現。

- 歸一化化位置（Normalizer Location）

每個Transformer子層的輸入和輸出都進行了歸一化處理。這里采用的是RMSNorm作為歸一化層，以確保模型的穩定性和效率。

架構的核心參數如下：

兩種規模的參數如下：

預訓練

訓練數據

Gemma 2B和7B分別針對來自網絡文檔、數學和代碼的主要英語數據的2T和6Ttoken，進行了訓練。

與Gemini不同，這些模型不是多模態的，也沒有針對多語言任務的SOTA進行訓練。

谷歌使用了Gemini的SentencePiece分詞器的子集，來實現兼容性。

指令微調

團隊對Gemma 2B和7B模型進行了微調，包括有監督的微調（SFT）和基于人類反饋的強化學習（RLHF）。

在有監督的微調階段，研究者使用了一個由純文本、英文、由人工和機器生成的問題-答案對組成的數據集。

在強化學習階段，則是使用了一個基于英文偏好數據訓練出的獎勵模型，以及一套精心挑選的高質量提示作為策略。

研究者發現，這兩個階段對于提升模型在自動評估和人類偏好評估中的表現，至關重要。

監督微調

研究者根據基于LM的并行評估，選擇了數據混合物進行監督微調。

給定一組保留prompt，研究者會從測試模型中生成響應，從基準模型中生成對相同提示的響應，隨機洗牌，然后要求一個更大、能力更強的模型在兩種響應之間表達偏好。

研究者構建了不同的提示集，以突出特定的能力，如遵循指令、實事求是、創造性和安全性。

我們使用了不同的基于LM的自動評委，采用了一系列技術，如思維鏈提示、使用評分標準和章程等，以便與人類偏好保持一致。

RLHF

研究者進一步利用來自人類反饋的強化學習（RLHF），對已經進行過有監督微調的模型進行了優化。

他們從人類評估者那里收集他們的偏好選擇，并在 Bradley-Terry 模型的基礎上，訓練了一個獎勵函數，這與Gemini項目的做法相似。

研究者采用了一個改進版的REINFORCE算法，加入了 Kullback–Leibler 正則化項，目的是讓策略優化這個獎勵函數，同時保持與最初調整模型的一致性。

與之前的有監督微調階段相似，為了調整超參數并進一步防止獎勵機制被濫用，研究者使用了一個高性能模型作為自動評估工具，并將其與基準模型進行了直接對比。

性能評估

自動評估

谷歌在多個領域對Gemma進行了性能評估，包括物理和社會推理、問答、編程、數學、常識推理、語言建模、閱讀理解等。

Gemma2B和7B模型與一系列學術基準測試中的多個外部開源大語言模型進行了比較。

在MMLU基準測試中，Gemma 7B模型不僅超過了所有規模相同或更小的開源模型，還超過了一些更大的模型，包括Llama 2 13B。

然而，基準測試的制定者評估人類專家的表現為89.8%，而Gemini Ultra是首個超越此標準的模型，這表明Gemma在達到Gemini和人類水平的性能上，還有很大的提升空間。

并且，Gemma模型在數學和編程的基準測試中表現尤為突出。

在通常用于評估模型分析能力的數學任務中，Gemma 模型在GSM8K和更具挑戰性的 MATH基準測試上至少領先其他模型10分。

同樣，在HumanEval上，它們至少領先其他開源模型6分。

Gemma甚至在MBPP上超過了專門進行代碼微調的CodeLLaMA 7B模型的性能（CodeLLaMA得分為41.4%，而 Gemma 7B得分為44.4%）。

記憶評估

近期研究發現，即便是經過精心對齊的人工智能模型，也可能遭受新型對抗打擊，這種打擊能夠規避現有的對齊措施。

這類打擊有可能使模型行為異常，有時甚至會導致模型重復輸出它在訓練過程中記住的數據。

因此，研究者專注于研究模型的「可檢測記憶」能力，這被認為是評估模型記憶能力的一個上限，并已在多項研究中作為通用定義。

研究者對Gemma預訓練模型進行了記憶測試。

具體來說，他們從每個數據集中隨機選擇了10,000篇文檔，并使用文檔開頭的50個詞元作為模型的prompt。

測試重點是精確記憶，即如果模型能夠基于輸入，精確地生成接下來的50token，與原文完全一致，便認為模型「記住了」這段文本。

此外，為了探測模型是否能夠以改寫的形式記憶信息，研究者還測試了模型的「近似記憶」能力，即允許在生成的文本和原文之間存在最多10%的編輯差距。

在圖2中，是Gemma的測試結果與體量相近的PaLM和PaLM 2模型的對比。

可以發現，Gemma的記憶率明顯更低（見圖2左側）。

不過，通過對整個預訓練數據集的「總記憶量」進行估算，可得一個更為準確的評估結果（見圖2右側）：Gemma在記憶訓練數據方面的表現與PaLM相當。

個人信息的記憶化問題尤為關鍵。如圖3所示，研究者并未發現有記憶化的敏感信息。

雖然確實發現了一些被歸類為「個人信息」的數據被記憶，但這種情況發生的頻率相對較低。

而且這些工具往往會產生許多誤報（因為它們僅通過匹配模式而不考慮上下文），這意味著研究者發現的個人信息量可能被高估了。

總結討論

總的來說，Gemma模型在對話、邏輯推理、數學和代碼生成等多個領域，都有所提升。

在MMLU（64.3%）和MBPP（44.4%）的測試中，Gemma不僅展現了卓越的性能，還顯示了開源大語言模型性能進一步提升的空間。

除了在標準測試任務上取得的先進性能，谷歌也期待與社區共同推動這一領域的發展。

Gemma從Gemini模型計劃中學到了很多，包括編碼、數據處理、架構設計、指令優化、基于人類反饋的強化學習以及評估方法。

同時，谷歌再次強調使用大語言模型時存在的一系列限制。

盡管在標準測試任務上表現優異，但要創建出既穩定又安全、能夠可靠執行預期任務的模型，還需要進一步的研究，包括確保信息的準確性、模型的目標對齊、處理復雜邏輯推理，以及增強模型對惡意輸入的抵抗力。

團隊表示，正如Gemini所指出的，需要更具挑戰性和魯棒性的測試基準。

團隊成員

核心貢獻者：

其他貢獻者：

產品經理、項目經理、執行贊助、負責人和技術負責人：