苹果开源7B模型，训练过程数据集一口气全给了，网友：很不像苹果

苹果最新杀入开源大模型战场，而且比其他公司更开放。

推出7B模型，不仅效果与Llama 3 8B相当，而且一次性开源了全部训练过程和资源。

要知道，不久前Nature杂志编辑Elizabeth Gibney还撰文批评：

许多声称开源的AI模型，实际上在数据和训练方法上并不透明，无法满足真正的科学研究需求。

而苹果这次竟然来真的！！

就连NLP科学家、AutoAWQ创建者也发出惊叹：

Apple发布了一个击败Mistral 7B的模型，但更棒的是他们完全开源了所有内容，包括预训练数据集

也引来网友在线调侃：

至于这次开源的意义，有热心网友也帮忙总结了：

对于任何想要从头开始训练模型或微调现有模型的人来说，数据管理过程是必须研究的。

当然，除了OpenAI和苹果，上周Mistral AI联合英伟达也发布了一个12B参数小模型。

HuggingFace创始人表示，「小模型周」来了！

卷！继续卷！所以苹果这次发布的小模型究竟有多能打？

效果直逼Llama 3 8B

有多能打先不说，先来看Hugging Face技术主管刚“拆箱”的模型基础配置。

总结下来就是：

7B基础模型，在开放数据集上使用2.5T tokens进行训练 主要是英文数据，拥有2048tokens上下文窗口 数据集包括DCLM-BASELINE、StarCoder和ProofPile2 MMLU得分接近Llama 3 8B 使用PyTorch和OpenLM框架进行训练

具体而言，研究团队先是提出了一个语言模型数据比较新基准——DCLM。

之所以提出这一基准，是因为团队发现：

由机器学习 (ML) 模型从较大的数据集中自动过滤和选择高质量数据，可能是构建高质量训练集的关键。

因此，团队使用DCLM来设计高质量数据集从而提高模型性能，尤其是在多模态领域。

其思路很简单：使用一个标准化的框架来进行实验，包括固定的模型架构、训练代码、超参数和评估，最终找出哪种数据整理策略最适合训练出高性能的模型。

基于上述思路，团队构建了一个高质量数据集DCLM-BASELINE，并用它从头训练了一个7B参数模型——DCLM-7B。

DCLM-7B具体表现如何呢？

结果显示，它在MMLU基准上5-shot准确率达64%，可与Mistral-7B-v0.3（63%）和Llama 3 8B（66%）相媲美；并且在53个自然语言理解任务上的平均表现也可与Llama 3 8B相媲美，而所需计算量仅为后者的1/6。

与其他同等大小模型相比，DCLM-7B的MMLU得分超越Mistral-7B，接近Llama 3 8B。

最后，为了测试新数据集效果，有业内人士用卡帕西的llm.c训练了GPT-2 1.5B，来比较DCLM-Baseline与FineWeb-Edu这两个数据集。

结果显示DCLM-Baseline取得了更高的平均分，且在ARC（小学生科学问题推理）、HellaSwag（常识推理）、MMLU等任务上表现更好。

“小”模型成新趋势

回到开头，“小”模型最近已成新趋势。

先是HuggingFace推出了小模型家族“SmolLM”，其中包含135M、360M和1.7B型号模型。

它们在广泛的推理和常识基准上优于类似大小的模型。

然后OpenAI突然发布了GPT-4o mini，不仅能力接近GPT-4，而且价格大幅下降。

就在GPT-4o mini发布同日，Mistral AI联合英伟达发布了12B参数小模型——Mistral NeMo。

从整体性能上看，Mistral NeMo在多项基准测试中，击败了Gemma 2 9B和Llama 3 8B。

所以，为啥大家都开始卷小模型了？

原因嘛可能正如smol AI创始人提醒的，虽然模型变小了，但在能力相近的情况下，小模型大大降低了成本。

就像他提供的这张图，以GPT-4o mini为代表的小模型整体比右侧价格更低。

对此，我等吃瓜群众be like:

所以，你更看好哪家呢？