来源:新智元编辑:Aeneas好困
快速定制模型的LLM引擎Lamini来了,开发者狂喜!
ChatGPT虽好,但始终有门槛。通常,只有拥有AI博士学位的大型机器学习团队,才能这样训练一个模型。
为了把这个门槛打下来,团队构建了Lamini引擎,从此,每个开发者都能够拥有从GPT-3训练ChatGPT的超能力!
划重点:可以商用!可以商用!可以商用!
项目地址:https://github.com/lamini-ai/lamini/
Lamini的开发团队表示,你需要的只是几行代码,就可以用托管数据生成器俩训练自己的LLM,包括权重和其他所有的内容。
此外,你也可以使用开源的LLM,用Lamini库对生成的数据进行微调。以及访问完整的LLM训练模块,使用从LoRa等速度优化,到虚拟私有云(VPC)部署等企业功能。
对此,英伟达科学家JimFan表示,LLaMa+自定义数据正在成为新的范式,而Lamini的推出也带了一种全新的模式——FaaS,微调即服务。
美股小幅高开 苹果跌逾3%市值跌破3万亿美元:金色财经报道,美股小幅高开,道指涨0.27%,纳指涨0.47%,标普500指数涨0.32%。苹果跌逾3%,市值跌破3万亿美元。[2023/8/4 16:19:12]
MLOps的未来是「LMOps」。哪里有标准化,哪里就有机会。
OpenAI科学家,前特斯拉人工智能总监AndrejKarpathy也表示,LLM定制化的生态正在愈发火爆。
训LLM就像prompt-tuning一样简单
写一个prompt如此容易,但想要从基础模型训练出一个大语言模型,却是如此困难。
因为需要花费大量时间,来找出微调模型失败的原因,所以对数据集微调的迭代周期都是以月为单位的。
与之相反,微调prompt的迭代,只需要几秒钟,并且在几个小时内,性能都能保持稳定。
这个过程只需要把有限数量的数据整合到prompt中就可以了,并不需要动辄几TB的数据。
ChatGPT的诞生十分艰难,OpenAI的团队花了几个月的时间,在基础的GPT-3模型上微调,并进行RLHF。这个门槛极高,只有大型的ML团队才能完成这种训练。
有500强企业的技术负责人这样抱怨过:「我们团队的10名机器学习工程师用了OpenAI的微调API,结果我们的模型反而变得更差了,怎么办啊。」
CZ:过去24小时Binance资产净流出约为3.92亿美元:6月10日消息,Binance 创始人 CZ 于社交平台发文表示,过去 24 小时 Binance 平台资产净流出约为 3.92 亿美元。我们的平台钱包地址是公开的。一些第三方分析将以美元计价衡量 AUM(资产管理规模) 的变化视为流出,这其中还包括因加密货币价格下跌 (资产管理规模减少) 而导致的流出。它们是两个不同的概念。
有些甚至只衡量流出,而不衡量流入。像今天这样价格剧烈波动的日子里,许多套利交易者在各个交易平台之间转移大量资金,量级通常要比平时多出几倍。而作为参考,Binance 曾在去年 11 月的某一天内处理达 70 亿美元的净流出。[2023/6/11 21:29:08]
「我真的不知道该怎么充分利用数据,我已经用尽了所有从在线教程中能学到的prompt魔法了。」
这,就是研究者构建Lamini的原因:让每个开发者可以直接从GPT-3训练ChatGPT。
任意LLM,秒变ChatGPT!
Lamini是一个LLM引擎,可以让不仅仅是机器学习专家的任何开发人员,都能在大型数据集中,把高性能的LLM训练得像ChatGPT一样好。
这个过程,只需要Laimini库的几行代码即可。
值得注意的是,这个库中的优化远远超出了现在开发者可以使用的范围,从更具挑战性的优化到更简单的优化。
比如,你想从不同的角度生成一个广告文案。
首先,从llama模块导入LLM引擎:
fromllamaimportLLMllm=LLM(name="marketing")
接下来,需要定义输入和输出类型。注意,这里一定要包括上下文,因为可以有助于LLM在自然语言中进行理解。
fromllamaimportType,ContextclassAdAspects(Type):tone:str=Context("toneofthemarketingcopy")product_features:list=Context("productfeaturestopromote")audience:str=Context("targetaudienceforthemessage")subject:str=Context("subjectortopicofthemessage")goal:str=Context("goalofthismarketingcampaignandmessage")classAdCopy(Type):title:str=Context("googleadtitletag")description:str=Context("googleaddescription")keywords:list=Context("keywordsforthesearchengine")
无抵押贷款协议Atlendis在Polygon推出V2版:5月16日消息,无抵押贷款协议 Atlendis 宣布在 Polygon 主网推出了 Atlendis V2 版,第一个在 Atlendis V2 上开设流动性池的借款人是 Banxa(USDT 上限为 200 万美元)。Atlendis V2 保持了去中心化利率发现和 NFT 头寸等基本功能,新增功能包括:贷款人不再需要等待贷款周期结束并偿还头寸即可退出贷款周期;借款人可以在每个周期后展期贷款,而无需偿还全部贷款。[2023/5/16 15:05:49]
然后就可以开始提问了:
语气:大胆,但不傲慢
特色:亚洲酱料和香料、家常调料和套餐包,可以轻松在家烹饪。
aspects=AdAspects(tone="boldandbright,butnotarrogant",product_features=,audience="suburbanfamilies",subject="deliciousasianmealswithoutgoingtoarestaurant",goal="getsuburbanmomsanddadstotrybuytheirfirstomsompackorfreetastingkit")ad_copy=llm(input=aspects,output_type=AdCopy)print(f"Adcopy:{ad_copy}")模型输出:
尝试Omsom的美味亚洲酱料、香料、家常调料和套餐包。轻松为家人在家做出美味佳肴。
>title='DeliciousAsianMealsWithoutGoingtoaRestaurant|Omsom'description="TryOmsom'sdeliciousAsiansauces,aromatics,andhome-cookedseasoningsandmealpacks.Easilycookdeliciousmealsathomeforyourfamily."keywords=
比特币全网未确认交易数量为6427笔:金色财经报道,据BTC.com数据显示,目前比特币全网未确认交易数量为6427笔,全网算力为256.50 EH/s,24小时交易速率为3.33交易/s,目前全网难度为34.24 T,预测下次难度上调4.37%至35.74 T,距离调整还剩3天16小时。[2022/12/16 21:47:57]
如何创建自己的「ChatGPT」
基础模型能理解一般的英语,但如果需要它们学习一些垂直语言和规则,prompt微调并不足够,很多时候我们都需要构建自己的LLM。
利用用下面这个步骤,就能获得像ChatGPT一样遵循指令的LLM。
尝试prompt-tuningChatGPT或其他模型
可以使用Lamini库的API,在不同模型之间快速进行prompt-tuning,只需一行代码,即可在OpenAI和开源模型之间切换。
Lamini库已经优化了正确的prompt,这样开发者就可以使用不同的模型,不必担心如何为每个模型设置prompt的格式。
构建一个包含输入-输出对的大型数据集
这些数据集会向模型展示,它应该如何响应输入,无论是遵循英文说明,还是以JSON响应。
研究者刚刚发布了一个只有几行代码的repo,使用Lamini库,仅从100个数据点中,就能生成50k数据点。
而且因为使用Lamini库来启动Lamini引擎,所以这个过程根本不需要用到GPU。
Morgan Creek Digital试图筹集2.5亿美元收购BlockFi的多数股权:6月26日消息,加密货币投资公司Morgan Creek Digital正试图向投资者筹集2.5亿美元,以购买加密货币借贷机构BlockFi的多数股权。Morgan Creek Digital拒绝置评。一位知情人士表示,由于BlockFi难以维持运营,有多家风险投资基金正在探索向该公司提供股权融资。
此前消息,FTX正在就收购加密借贷机构BlockFi股份进行谈判。[2022/6/26 1:31:46]
在repo中,已经包含一个开源的70+k数据集。
项目地址:https://github.com/lamini-ai/lamini/
在大型数据集上微调基础模型
除了数据生成器,研究者还发布了一个LLM,它使用Lamini对生成的数据进行了微调。以编程方式执行此操作的功能也会很快发布。
也可以把OpenAI的微调API作为起步。
在微调模型上进行RLHF
使用Lamini,就不再需要大型ML和人工标记团队来运行RLHF。
部署到云端
只需点击产品或功能中的API端点即可。
专为LLM打造的数据生成器
简单来说,依照以下几个步骤,就可以训练自己的大语言模型了。
用于优化prompt微调和类型化输出的Lamini库。
用于微调和RLHF的高级Lamini库,只需几行代码。
史上首个托管数据生成器,用于创建数据,来训练遵循指令的LLM。注意,已获得商业使用许可!
开源的指令跟随LLM,使用上述工具,只需几行代码即可完成。
数据生成器工作原理
Lamini数据生成器是一个LLM管线,它采用原始的100多条指令的小集合,与预期的响应配对,生成50k+新的配对,灵感来自Stanford的Alpaca。这个生成管线使用Lamini库来定义和调用LLM,以生成不同但相似的指令和响应对。
根据这些数据训练后,你的LLM会遵循这些指示,因而得到改进。对于使用开源LLM的生成管线,研究者提供了一个很好的默认值,LaminiOpen和LaminiInstruct。
随着每天新的LLM发布,研究者都会将默认值更新为性能最佳的模型。在目前的版本中,LaminiOpen用的是EleutherAI的Pythia,LaminiInstruct用的是Databricks的Dolly。
LaminiOpen会生成更多指令,而LaminiInstruct会生成这些指令的成对响应。
最终生成的数据集可供免费商业使用,已经通过CC-BY许可。
仅用一行代码,就可以将Lamini库的默认值换成其他开源或OpenAI模型。
研究者发现,OpenAI模型的平均表现更好,但它们的许可限制了将生成数据用于训练类ChatGPT模型的商用。
对生成数据进行微调
在这个过程中,生成的数据会质量不一。
在微调之前,下一步就是将生成的数据过滤为高质量数据。
然后,Lamini会通过在这个过滤后生成的数据集上训练基础模型,来创建自定义LLM。
研究者已经发布了一个开源指令跟随LLM,可以用Lamini来训练Pythia基础模型,生成的37k指令是从70k中筛选出来的。
显然,Lamini库的出现,让迭代周期变得更快、更有效,有更多的人能够构建模型,而不仅仅是试验各种prompt。
团队介绍
SharonZhou是Lamini的联合创始人兼首席执行官。
个人主页:https://sharonzhou.me/
她在哈佛大学获得了计算机科学与古典文学联合学士学位,并以最高荣誉获得了硕士学位。
随后,她在斯坦福大学获得了计算机科学博士学位,师从吴恩达。
2022年,29岁的Zhou入选《麻省理工科技评论》「35岁以下科技创新35人」。
GregoryDiamos是MLPerf的联合创始人。
他曾是百度硅谷AI实验室的创始成员,对DeepSpeech和DeepVoice系统有贡献。
参考资料:
https://lamini.ai/blog/introducing-lamini
郑重声明: 本文版权归原作者所有, 转载文章仅为传播更多信息之目的, 如作者信息标记有误, 请第一时间联系我们修改或删除, 多谢。