OpenAI掀小模型血戰！蘋果DCLM強勢登場，碾壓Mistral 7B全開源
小模型的戰場，打起來了！
繼GPT-4o mini、Mistral NeMo發布之后，蘋果也入局了。
DCLM小模型包含兩種參數規模——70億和14億，發布即開源。最大70億參數超越了Mistral-7B ，性能接近Llama 3、Gemma。
根據蘋果ML小組研究科學家Vaishaal Shankar（也是DCLM研發人員）的說法，這是迄今為止性能最好的「真正開源」的模型，不僅有權重和訓練代碼，而且是基于開放數據集DCLM-Baseline。
相比模型性能，DCLM做出的「真正開源」的典范更加引人關注。
對比大部分科技巨頭只搞閉源模型，或「猶抱琵琶半遮面」，只開源代碼或權重的做法，大方的蘋果獲得了網友的好評。
此外，Shankar還預告說，之后會繼續上線模型中間檢查點和優化器狀態。
難道，這就是LLM開源社區的春天了嗎？
DCLM系列全開源
目前，HuggingFace上已經發布了全部模型權重，其中的模型卡已經基本涵蓋了關鍵信息。
https://huggingface.co/apple/DCLM-7B
DCLM-7B同樣采用了decoder-only的架構，使用PyTorch和OpenLM框架進行預訓練。
總共4T token的DCLM-baseline數據集來自于總量240T的DCLM，DCLM-7B模型又進一步過濾出其中的2.5T用于訓練。
上下文長度為2048，小于Mistral 7B和Gemma 2 9B的8k長度。
性能方面，作者直接使用評估套件LLM Foundry，測試了模型在53個基準任務上的分數。
與其他模型進行比較時，除了MMLU分數，作者還自定義了兩個指標——「核心準確率」（core）和「擴展準確率」（extended）。
前者是包括HellaSwag和ARC-E在內的22個任務中心準確率的均值，后者則涵蓋全部53個任務。
與雖然使用的數據不是最多，但與其他同等大小的開放數據模型（權重與數據集都開源）相比，DCLM在全部3個指標上的性能都達到了最佳。
三列基準分數從左到右分別是：核心、MMLU、擴展
相比之前的SOTA MAP-Neo模型，DCLM-7B在5-shot的MMLU任務準確率達到63.7%，提升了6.6個百分點，同時訓練所需的計算量減少了40%。
然而，如果和權重開源、數據集閉源的模型相比，效果就不盡如人意了。
DCLM在各個指標上都與Phi-3存在不小差距，與Mistral-7B-v0.3或Gemma 8B的分數大致相當。
研究人員發現，如果使用同一數據集中額外的100B數據進行訓練，并將上下文長度擴展到8k時，模型在核心和擴展基準上的分數還會進一步提升，但MMLU結果沒有變化。
這個結果，就全面超過了Mistral 7B-v0.3的分數。
此外，HuggingFace上還發布了7B模型的指令微調版本，在數學推理任務GSM8K上的性能實現大規模提升，分數由原來的2.1直接飆到52.5。
https://huggingface.co/apple/DCLM-7B-8k
除了7B版本，1.4B版本也同步上線。神奇的是，訓練數據量相比7B版本不降反增，多了0.1T。
https://huggingface.co/TRI-ML/DCLM-1B
相比HuggingFace最近發布的SmolLM，DCLM-1B的性能顯著更優，尤其是5-shot MMLU分數，比SmolLM提升了11.9%。
不僅如此，DCLM-1B在MMLU上41.9的得分也同樣高于Qwen-1.5B的37.87和Phi-1.5B的35.90。
7B模型落后的事情，反而讓1.4B模型反超了，果然小模型才是蘋果的看家本領。
值得注意的是，7B模型僅能在Appl240萬億巨量數據被洗出，足夠訓出18個GPT-4！全球23所機構聯手，清洗秘籍公開e的示例代碼許可（ASCL）下使用，但1.4B版本在Apache 2.0下發布，允許商業使用、分發和修改。
既然說到這次發布的DCLM系列模型，就不得不提它們的重要基礎——DataComp基準。
論文地址：https://arxiv.org/pdf/2406.11794
DataComp這篇論文首發于6月17日，共同一作Jeffrey Li、Alex Fang和共同最后作者Vaishaal Shankar，也同樣都是蘋果DCLM的研發人員。
文章不僅對數據集的構建過程進行了詳細闡述，也提到了關于DCLM模型的部分內容。
Vaishaal Shankar表示，將很快發布這篇論文的更新版，提供更多有關模型預訓練的技術細節。
相比于對同一數據集修改模型，DataComp的思路反其道而行之——測評所用的模型是固定的，任務是在總共240T的數據池中過濾、處理出最好的數據。
可以說，這種做法與科技巨頭們的研發思路非常一致——對于LLM的性能而言，預訓練數據正在成為比模型架構和權重更重要的因素。
畢竟，Llama、Gemma、Phi等一系列「開源」模型都是只放權重、不公布數據。
既要Scaling Law，又要SLM
對于AI科技巨頭來說，有時模型不是越大越好。
其實一直以來，AI社區中，并不缺少小模型，比如微軟Phi系列模型多次迭代，以及6月末谷歌剛剛更新的Gemma 2 7B。
這周，OpenAI突然發布GPT-4o mini，Mistral AI聯手英偉達發布Mistral NeMo，HuggingFace的SmoLLM等小模型的發布，為小模型的領域再次添了一把火。
正如OpenAI研究員所言，「雖然我們比任何人都更喜歡訓練大模型，但OpenAI也知道如何訓練小模型」。
小模型，優勢在于成本低、速度快、更專業，通常只使用少量數據訓練，為特定任務而設計。
大模型變小，再擴大規模，可能是未來發展的趨勢之一。
前兩天，在GPT-4o mini發布時，Andrej Karpathy也發表長推表達了類似的觀點。
他認為，模型尺寸的競爭將會「反向加劇」，不是越來越大，反而是比誰更小更輕巧。
當前的LLM之所以逐漸變成「巨獸」，是因為訓練過程仍然非常浪費，我們基本上是在要求模型記住整個互聯網的內容（而且實際上，LLM的記憶能力還相當不錯，質量上比人類好很多）。
但對于小模型來說，訓練目標已經改變。關鍵問題是，AI系統如何從更少的數據中學到更多。
我們需要模型先變得更大，再變得更小，因為我們需要「巨獸」將數據重構、塑造為理想的合成形式，逐漸得到「完美的訓練集」，再喂給小模型。
馬斯克也表示同意這個觀點。Karpathy所描述的這個模型改進階梯，正是現實中特斯拉曾走過的路。
23年4月，Sam Altman曾宣布了AI大模型時代終結。最近采訪中，他還確認了數據質量是進一步AI訓練的關鍵成功因素。
微軟研究人員在開發Phi模型時，就提出了這樣的假設。Hugging Face的AI研究人員最近也證實了這一假設，并發布了一個高質量的訓練數據集。
就以GPT-4為例，開發和使用超一萬億參數的成本超過了1億美元。
而小模型，比如專在法律數據集上完成訓練，可能使用不到100億參數，成本不到1000萬美元，使用更少算力響應每個查詢，因此成本較低。
納德拉曾表示，Phi?型模型系列規模僅為OpenAI背后免費模型1/100，而且在許多任務上的表現幾乎同樣出色。
除此以外，谷歌以及AI初創公司Mistral、Anthropic、Cohere今年也發布了規模較小的模型。
6月，蘋果曾公布了自己的AI發展路線圖，計劃使用小型模型，這樣就可以完全在手機上運行軟件，使其更快速和更安全。
對于許多任務來說，比如總蘋果為什么要用「小模型」？結文檔或生成圖像，大模型可能有點大材小用。
Transformer開山之作背后作者Illia Polosukhin表示，計算2+2不應該需要進?千萬億次運算。
不過，科技巨頭們也并沒有放棄大模型。蘋果在今年WWDC大會上，曾宣布了在Siri助手中植入ChatGPT，以執行撰寫電子郵件等復雜任務。
畢竟通往終極AGI/ASI，參數規模的擴大和智能的增長成正比。
