云知聲山海大模型正式發(fā)布，交出其在AGI領(lǐng)域的第一份答卷，并進入有序迭代階段。時隔一個月，山海大模型迎來了又一次比較大的升級——各項性能持續(xù)優(yōu)化，且在核心能力上實現(xiàn)三大升級：通過迭代實現(xiàn)了在特定領(lǐng)域內(nèi)的專業(yè)知識積累，詩詞創(chuàng)作能力、數(shù)學(xué)計算能力實現(xiàn)突破。

技術(shù)加碼，性能持續(xù)優(yōu)化

01吞吐效率接近理論上限60%

UniScale通過引入全新的Attention高效計算方式和相關(guān)底層算子的優(yōu)化來提高浮點運算效率，另外，也進一步優(yōu)化了訓(xùn)練框架中的通信策略，進一步提升了多機多卡的吞吐效率。UniScale目前在多機多卡大模型訓(xùn)練計算效率接近理論上限的60%，而當前公開的主流框架訓(xùn)練效率約45%左右，因此所提方法能夠吞吐量在原有基礎(chǔ)上提升了15個點。在推理部分，通過解碼策略優(yōu)化、量化和高效算子適配，相對原始推理性能翻倍，并適配了不同性能的顯卡推理部署。這意味著訓(xùn)推一體框架UniScale 具有出色的并行計算能力，能夠同時處理多個任務(wù)，大大提高了模型的訓(xùn)練速度。也表明在相同的時間內(nèi)，UniScale可以完成更加高效的計算任務(wù)，降低推理部署成本。

02微調(diào)速度提升15倍

UniScale通過集成QLoRA微調(diào)（Dettmers et al., 2023）技術(shù)，不僅極大地減少了微調(diào)所需的硬件資源，還提高了微調(diào)速度。QLoRA是在LoRA微調(diào)（Hu et al., 2021）基礎(chǔ)上結(jié)合了4位量化、雙量化和統(tǒng)一內(nèi)存分頁技術(shù)，是一種高效的模型參數(shù)微調(diào)方法，不僅可以在普通消費級GPU上完成大規(guī)模語言模型的微調(diào)，還能夠在較少的迭代次數(shù)內(nèi)快速收斂。與此同時，我們實現(xiàn)了一種多指令統(tǒng)一微調(diào)技術(shù)，能夠進一步減少模型的計算和通信開銷，加快微調(diào)的速度。我們經(jīng)過實驗驗證，UniScale在使用QLoRA微調(diào)和統(tǒng)一微調(diào)技術(shù)之后，微調(diào)速度提升了約15倍。

這一改進對于微調(diào)任務(wù)非常重要，特別是當資源有限的情況下在大規(guī)模數(shù)據(jù)集上進行微調(diào)的場景。傳統(tǒng)的微調(diào)方法需要耗費較長的時間來逐步調(diào)整模型參數(shù)，而QLoRA微調(diào)能夠通過多種量化方法顯著減少顯存占用，大大減少了微調(diào)所需的內(nèi)存，同時性能幾乎與標準微調(diào)相當。與此同時，微調(diào)后的模型可以直接用于模型部署，符合UniScale訓(xùn)練與推理一體化的設(shè)計理念，這項改進使得UniScale成為一個非常有效的深度學(xué)習(xí)平臺，提供了更快速、高效的微調(diào)實驗方案。

? ?

能力突破，效果加速提升

01醫(yī)療能力超越Med-PaLM 2

山海大模型實現(xiàn)了在特定領(lǐng)域內(nèi)專業(yè)知識的快速積累，通過語料的不斷迭代升級，專業(yè)能力持續(xù)突破。以醫(yī)療領(lǐng)域為例，山海大模型學(xué)習(xí)了大量教材、百科等高質(zhì)量醫(yī)學(xué)文獻，使其能夠提供更加全面、專業(yè)的醫(yī)療信息支持。在擴展了醫(yī)療大模型的領(lǐng)域知識的同時，山海大模型仍舊保持原有的高性能、高準確率等特點。醫(yī)療大模型的改進為醫(yī)生們提供更強大的支持和指導(dǎo)，以提高醫(yī)療效果。目前該模型在MedQA任務(wù)上提升到了87.1%，超越Med-PaLM 2，臨床執(zhí)業(yè)醫(yī)師資格考試提升到了523（總分600分），超過了99%的考生水平。

02詩詞創(chuàng)作能力升級

在詩詞創(chuàng)作方面上，山海大模型不僅在預(yù)訓(xùn)練階段增加了7萬多首古詩詞數(shù)據(jù)，補充詩詞相關(guān)的知識，在指令學(xué)習(xí)階段，也精心設(shè)計近40種不同的指令，基本覆蓋日常對詩詞數(shù)據(jù)相關(guān)知識考察的內(nèi)容，充分發(fā)掘大模型的潛力，進一步提升創(chuàng)作能力。通過指令學(xué)習(xí)的方法，山海大模型學(xué)會了運用類似的修辭手法和表達方式，使其創(chuàng)作效果更富詩意、更具情感溫度。不僅如此，山海大模型還能夠根據(jù)主題和情感要求進行定制化創(chuàng)作——這一突破不僅得益于詩詞相關(guān)的指令學(xué)習(xí)數(shù)據(jù)的引入，也歸功于山海大模型自身強大的計算和學(xué)習(xí)能力。

03數(shù)學(xué)能力提升

山海大模型的數(shù)學(xué)計算能力主要依賴預(yù)訓(xùn)練階段扎實、系統(tǒng)的數(shù)學(xué)理論體系和指令學(xué)習(xí)階段基于插件的具體題型的求解能力。為了進一步提升山海大模型的數(shù)學(xué)能力，我們主要針對以下兩方面進行優(yōu)化：

a) 我們在預(yù)訓(xùn)練階段提供人工和模型精心挑選的高質(zhì)量預(yù)訓(xùn)練數(shù)據(jù)，其中包括從小學(xué)到大學(xué)所有數(shù)學(xué)學(xué)科的教材、練習(xí)冊等，通過這些數(shù)據(jù)的學(xué)習(xí)，模型就具備了系統(tǒng)的數(shù)學(xué)理論體系和解決各種數(shù)學(xué)問題的基礎(chǔ)。

b) 基于 react 思想的指令學(xué)習(xí)是大模型數(shù)學(xué)能力的必要步驟。在此階段，對每一種題型，我們給出具體的解題思路，包括 reasoning and acting，教會大模型解決各種問題的能力。解題過程中，為了解決大模型無法做精確數(shù)值計算的問題，將數(shù)值運算移交給插件完成，插件完成數(shù)值計算或者方程求解之后，將答案返回大模型，大模型繼續(xù)問題求解，直到給出最終答案。

從5月24日正式發(fā)布以來，山海大模型始終在不斷訓(xùn)練、調(diào)優(yōu)，致力通過自身不斷的迭代進化兌現(xiàn)AI應(yīng)用價值；保持高速演進的同時，也在探索與具體場景深度融合的更多可能。

目前，云知聲山海大模型已深入到智慧醫(yī)療、智慧教育、知識管理、智慧營銷、智能客服等具體場景中，基于山海大模型打造的場景應(yīng)用正不斷豐富、不斷拓展。

7月6日-7月8日，云知聲將攜山海大模型及其醫(yī)療、銀行、車載、客服等最新場景應(yīng)用亮相2023世界人工智能大會，歡迎大家屆時蒞臨云知聲展位參觀交流。

從能力升級到場景應(yīng)用，基于多年技術(shù)積累，云知聲正加速推進山海大模型的迭代演變。未來山海會有怎樣的驚喜和亮點，值得你的期待。
責任編輯：彭菁