昔日的競爭對手，今日的合作盟友；

忽如一夜春風(fēng)來，開源大模型迎來新局面；

今天是 OSS AI 勝利的一天；

隨著 Meta 最新發(fā)布一個新的開源 AI 模型——Llama 2，網(wǎng)上盛贊的聲音不絕于耳，甚至圖靈獎得主、卷積網(wǎng)絡(luò)之父、Meta 首席人工智能科學(xué)家 Yann LeCun 更是直言，「這將改變 LLM 市場的格局」。

而Llama 2 之所以能引起這么大的反響，不僅是因為它是開源的，更主要的原因便是它可以被免費地用于研究和商業(yè)用途。與此同時，Meta 還與微軟強強聯(lián)手，旨在驅(qū)動 OpenAI 的 ChatGPT、Bing Chat 和其他現(xiàn)代聊天機器人等應(yīng)用程序。

在 Meta 看來，「開放的方法是當(dāng)今人工智能模型開發(fā)的正確方法，特別是在技術(shù)快速發(fā)展的生成領(lǐng)域。通過公開提供人工智能模型，它們可以使每個人受益。為企業(yè)、初創(chuàng)企業(yè)、企業(yè)家和研究人員提供其開發(fā)的工具，這些工具的開發(fā)規(guī)模是他們自己難以構(gòu)建的，并以他們可能無法獲得的計算能力為后盾，將為他們以令人興奮的方式進行實驗。」

僅是這一點，便是當(dāng)前很多專注于大模型開發(fā)的企業(yè)無法做到的，也如網(wǎng)友評價的那番，格局一下被打開。

Llama 2 的前身

今日發(fā)布的 Llama 2 是 Llama（大羊駝）的后續(xù)版本。

今年 2 月，Meta 首次公開發(fā)布 LLaMA，作為具有非商業(yè)許可證的開源版本。這是一種先進的基礎(chǔ)大型語言模型，旨在幫助研究人員推進 AI 這一子領(lǐng)域的工作。更小、性能更高的模型（例如 LLaMA）使研究界中無法訪問大量基礎(chǔ)設(shè)施的其他人能夠研究這些模型，從而進一步實現(xiàn)這一重要且快速變化的領(lǐng)域的訪問民主化。

彼時，Meta提供多種尺寸的 LLaMA（7B、13B、33B 和 65B 參數(shù)）。僅從功能上來看，Llama 可以根據(jù)提示生成文本和代碼，與其他類似聊天機器人的系統(tǒng)相當(dāng)。

然而，當(dāng)時由于擔(dān)心被濫用，Meta 決定限制對模型的訪問，所以也只是對具有一定資格的研究者開放，還需要寫申請表格等。

不過，令人沒想到的是，不久之后便有人將 LLaMA 的權(quán)重（包括經(jīng)過訓(xùn)練的神經(jīng)網(wǎng)絡(luò)的參數(shù)值文件）泄露到了 torrent 網(wǎng)站，使得并沒有完全開放的 LLaMA 大模型短時間內(nèi)在 AI 社區(qū)大規(guī)模擴散開。

很快，經(jīng)過微調(diào)的 LLaMA 的諸多模型如雨后春筍般涌現(xiàn)，“羊駝”家族一時太過擁擠，如斯坦福發(fā)布了 Alpaca（羊駝）、UC 伯克利開源了 Vicuna（小羊駝）、華盛頓大學(xué)提出了 QLoRA 還開源了 Guanaco（原駝）...國內(nèi)哈工大還基于中文醫(yī)學(xué)知識的 LLaMA 模型指令微調(diào)出了一個“華駝”。

時下，Llama 2 的發(fā)布將這款開源大模型推向一個新的高度。相比上一代 Llama 模型，經(jīng)過混合公開數(shù)據(jù)的訓(xùn)練，Llama 2 的性能有了顯著提高。

Llama 2：從 7B 到 70B 參數(shù)不等

為此，Meta 發(fā)布了一篇長達(dá) 76 頁的論文《Llama 2: Open Foundation and Fine-Tuned Chat Models》詳述Llama 2大模型的預(yù)訓(xùn)練、微調(diào)、安全性等相關(guān)的工作。

論文地址：https://scontent-lax3-2.xx.fbcdn.net/v/t39.2365-6/10000000_663429262362723_1696968207443577320_n.pdf?_nc_cat=101&ccb=1-7&_nc_sid=3c67a6&_nc_ohc=5ol-jUSglG4AX_EKgWk&_nc_ht=scontent-lax3-2.xx&oh=00_AfC4pQWErthyr1jwgSScKeyjXW3wwEUnqvIh7MNeb-Et3g&oe=64BBB691

據(jù)論文顯示，Llama 2 有兩種版本：Llama 2和Llama 2-Chat，后者針對雙向?qū)υ掃M行了微調(diào)。Llama 2 和 Llama 2-Chat 進一步細(xì)分為不同復(fù)雜程度的版本：70 億個參數(shù)、130 億個參數(shù)和 700 億個參數(shù)。

Meta 將 Llama 2 預(yù)訓(xùn)練語料庫的規(guī)模增加了 40%，這一款模型（基本模型）接受了 2 萬億個 token 的訓(xùn)練，上下文窗口包含了 4096 個 token，相比上一代，提升了一倍。上下文窗口決定了模型一次可以處理的內(nèi)容的長度。在硬件方面，Meta 都使用了 NVIDIA A100。

Meta 還表示，Llama 2 微調(diào)模型是為類似于 ChatGPT 的聊天應(yīng)用程序開發(fā)的，已經(jīng)接受了“超過 100 萬條人工注釋”的訓(xùn)練。

不過，Meta 在論文中并沒有透露訓(xùn)練數(shù)據(jù)的具體來源，只是說它來自網(wǎng)絡(luò)，其中不包括來自 Meta 的產(chǎn)品或服務(wù)的數(shù)據(jù)。

根據(jù)官方基準(zhǔn)測試，Llama 2 在開源模型領(lǐng)域，一馬當(dāng)先。其中，Llama 2 70B 模型的性能優(yōu)于所有開放源碼模型。

和閉源的大模型相比，Llama270B 在推理任務(wù)上接近 GPT-3.5，但在編碼基準(zhǔn)上存在顯著差距。同時，其在性能上還無法與 OpenAI 的 GPT-4、PaLM-2-L 相媲美，在計算機編程方面 Llama 2 明顯落后于 GPT-4。

論及 Llama 2 此次真正的優(yōu)勢，Nvidia 高級 AI 科學(xué)家 Jim Fan 高度評價道：

Llama-2 的訓(xùn)練費用可能超過 2000 萬美元。Meta 通過發(fā)布具有商業(yè)友好許可的模型，為社區(qū)提供了令人難以置信的服務(wù)。由于許可證問題，大公司的人工智能研究人員對 Llama-1 持謹(jǐn)慎態(tài)度，但現(xiàn)在我認(rèn)為他們中的很多人都會加入進來，貢獻(xiàn)自己的力量。

Meta 的團隊對 4K 提示進行了人類研究，以評估 Llama-2 是否有用。他們使用 "勝率 "作為比較模型的指標(biāo)，其精神與 Vicuna 基準(zhǔn)類似。70B 模型與 GPT-3.5-0301 大致持平，表現(xiàn)明顯強于 Falcon、MPT 和 Vicuna。

與學(xué)術(shù)基準(zhǔn)相比，我更相信這些真實的人類評級。

Llama-2 還沒有達(dá)到 GPT-3.5 的水平，主要是因為它的編碼能力較弱。在 "HumanEval"（標(biāo)準(zhǔn)編碼基準(zhǔn)）上，它還不如 StarCoder 或其他許多專門為編碼而設(shè)計的模型。盡管如此，我毫不懷疑 Llama-2 將因其開放的權(quán)重而得到顯著改善。

Meta 團隊在人工智能安全問題上不遺余力。事實上，這篇論文幾乎有一半的篇幅都在談?wù)摪踩⒓t線和評估。我們要為這種負(fù)責(zé)任的努力鼓掌！

在之前的研究中，幫助性和安全性之間存在著棘手的權(quán)衡問題。Meta 通過訓(xùn)練兩個獨立的 reward 模型來緩解這一問題。這些模型還沒有開源，但對社區(qū)來說非常有價值。

我認(rèn)為 Llama-2 將極大地推動多模態(tài)人工智能和機器人研究。這些領(lǐng)域需要的不僅僅是黑盒子訪問 API。

到目前為止，我們必須將復(fù)雜的感官信息（視頻、音頻、三維感知）轉(zhuǎn)換為文本描述，然后再輸入到 LLM，這樣做既笨拙又會導(dǎo)致大量信息丟失。將感官模塊直接嫁接到強大的 LLM 上會更有效。

Llama 2 的論文本身就是一部杰作。GPT-4 的技術(shù)詳解論文只分享了很少的信息，而 Llama-2 則不同，它詳細(xì)介紹了整個細(xì)節(jié)，包括模型細(xì)節(jié)、訓(xùn)練階段、硬件、數(shù)據(jù)管道和注釋過程。例如，論文對 RLHF 的影響進行了系統(tǒng)分析，并提供了漂亮的可視化效果。

引用第 5.1 節(jié)："我們認(rèn)為，LLMs 在某些任務(wù)中超越人類注釋者的超強寫作能力，從根本上說是由 RLHF 驅(qū)動的"。

來源：https://twitter.com/DrJimFan/status/1681372700881854465

不過，值得注意的是，Llama 2 雖然允許了商業(yè)使用，但是它在社區(qū)許可協(xié)議中還添加了一條附加商業(yè)條款：

如果在 Llama 2 版本發(fā)布之日，被許可方或被許可方的關(guān)聯(lián)公司提供的產(chǎn)品或服務(wù)的每月活躍用戶數(shù)在上一個日歷月中超過 7 億，則您必須向Meta申請許可，Meta 可以自行決定向您授予該權(quán)利，并且您無權(quán)行使本協(xié)議項下的任何權(quán)利，除非或直到 Meta 明確授予您此類權(quán)利。

這意味著一些大廠，譬如亞馬遜、Google 這樣的巨頭想要使用 Llama 2，還存在一定限制。

Meta 與微軟強強聯(lián)手

當(dāng)然，Meta 也并沒有將所有大廠拒絕門外。在此次官方公告中，Meta 宣布了和微軟的深度合作。

其中，作為 Llama 2 的首選合作伙伴微軟，Meta 表示，從今天開始，Llama 2 可在 Azure AI 模型目錄中使用，基于此，使用 Microsoft Azure 的開發(fā)人員能夠使用 Llama 2 進行構(gòu)建，并利用其云原生工具進行內(nèi)容過濾和安全功能。

與此同時，Llama 2 還經(jīng)過優(yōu)化，可以在 Windows 上本地運行，為開發(fā)人員提供無縫的工作流程，為跨不同平臺的客戶帶來生成式 AI 體驗。Llama 2 也可通過 Amazon Web Services (AWS)、Hugging Face 和其他提供商獲取。

有網(wǎng)友評論，微軟這一波又贏了！

除了與微軟合作之外，Meta 也與高通進行了合作。高通宣布，“計劃從 2024 年起，在旗艦智能手機和 PC 上支持基于 Llama 2 的 AI 部署，賦能開發(fā)者使用驍龍平臺的 AI 能力，推出激動人心的全新生成式 AI 應(yīng)用。”

沒有 100% 完美的大模型

不過，對于 Llama 2，Meta 公司也承認(rèn)它并非絕對的完美，因為其測試不可能捕獲所有現(xiàn)實世界場景，并且其基準(zhǔn)測試可能缺乏多樣性，換句話說，沒有充分涵蓋編碼和人類推理等領(lǐng)域。

Meta 還承認(rèn)，Llama 2 與所有生成式 AI 模型一樣，在某些層面存在偏差。例如，由于訓(xùn)練數(shù)據(jù)的不平衡以及訓(xùn)練數(shù)據(jù)中存在“有毒”文本，它可能會制造“幻覺”、生成“有毒性”的內(nèi)容。

針對這一點，Meta 選擇和微軟合作的一部分，也包括使用 Azure AI Content Safety，該服務(wù)旨在檢測 AI 生成的圖像和文本中的“不當(dāng)”內(nèi)容，以減少 Azure 上有毒的 Llama 2 輸出。

同時，Meta 在論文中強調(diào) Llama 2 用戶除了遵守有關(guān)“安全開發(fā)和使用”的準(zhǔn)則外，還必須遵守 Meta 的許可條款和可接受的使用政策，在一定程度上減少有偏差性的內(nèi)容。

開源大模型的未來

最后，如果說 OpenAI 引領(lǐng)大模型賽道，那么 Meta 則開辟了開源大模型的新大門。

以開源的方式，匯聚更多的創(chuàng)新，Llama 2 的開源也為眾人預(yù)測中的“未來，開源大模型會主導(dǎo)整個大模型的發(fā)展方向”帶來更多可能性。

這也正如 Ars Technica 總結(jié)的：開源人工智能模型的到來，不僅鼓勵透明度（用于制作模型的訓(xùn)練數(shù)據(jù)而言），而且促進經(jīng)濟競爭（不將技術(shù)限制于大公司）、鼓勵言論自由（沒有審查制度），并使人工智能的訪問民主化（沒有付費專區(qū)限制）。

同時，為了避免 Llama 2 開源存在的潛在爭議，Meta 還同時發(fā)布了一封主題為《支持 Meta 對當(dāng)今人工智能的開放方法的聲明》的聲明，其寫道：

“我們支持對人工智能采取開放式創(chuàng)新方法。負(fù)責(zé)任和開放式創(chuàng)新為我們所有人提供了參與人工智能開發(fā)過程，為這些技術(shù)帶來可見性、審查和信任。今天開放的 Llama 模型將使每個人都從這項技術(shù)中受益?！?/p>

截至目前，已有近百位 AI 專家參與簽名，其中包括 Drew Houston（Dropbox 首席執(zhí)行官）、Matt Bornstein（Andreessen Horowitz 合伙人）、Julien Chaumond（Hugging Face 首席技術(shù)官）、Lex Fridman（麻省理工學(xué)院研究科學(xué)家）和 Paul Graham（Y Combinator 的創(chuàng)始合伙人）等。

當(dāng)然，也不容忽視的是，無論是開源還是閉源大模型，其都面臨著復(fù)雜的法律問題，因為他們需要判別用于訓(xùn)練的數(shù)據(jù)池中是否存在受版權(quán)保護的資源。如何有效避免這些問題，也成為這些大模型開發(fā)公司下一階段需要解決的事情。