斯坦福搞出来个“草泥马”，ChatGPT的平替？

本文来自微信公众号：量子位 （ID：QbitAI），作者：梦晨、金磊，原文标题：《斯坦福“草泥马”火了：100美元就能比肩GPT-3.5！手机都能运行的那种》，题图来自：视觉中国

一夜之间，大模型界又炸出个big news！

斯坦福发布Alpaca（羊驼，网友口中的“草泥马”）：只花100美元，人人都可微调Meta家70亿参数的LLaMA大模型，效果竟可比肩1750亿参数的GPT-3.5（text-davinci-003）。而且还是单卡就能运行的那种，甚至树莓派、手机都能hold住！

还有一个更绝的“骚操作”。

研究所涉及到的数据集，是斯坦福团队花了不到500美元用OpenAI的API来生成的，所以整个过程下来，就等同于GPT-3.5自己教出了个旗鼓相当的对手AI。（薅羊毛高手……）

然后团队还说，用大多数云计算平台去微调训练好的模型，成本也不到100美元：复制一个GPT-3.5效果的AI，很便宜，很容易，还很小。

而且团队还把数据集（秒省500美元）、代码统统都给开源了，这下子人人都能去微调个效果炸裂的对话AI：

图/GitHub

项目在GitHub发布才半天时间，便已经狂揽1800+星，火爆程度可见一斑。

Django联合开发者甚至对斯坦福的新研究用“惊天大事”来形容：

图/Twitter

不仅如此，斯坦福团队还搞了个demo，在线可玩的那种。

话不多说，我们现在就来看看这个“草泥马”的效果。

比肩davinci-003的“草泥马”Aplaca

在斯坦福官方的演示中，他们先小试牛刀地提了一个问题：什么是羊驼？它和美洲驼的区别是什么？

图/Aplaca

草泥马Aplaca给出的答案较为干练：羊驼是一种小型骆驼科动物，原产于秘鲁、玻利维亚、厄瓜多尔和智利；它比美洲驼小，羊毛更细，也没有驼峰。

而后又简单的介绍了二者群居生活的不同。

同样的问题若是交给ChatGPT（GPT3.5-turbo），则答案就不会像“草泥马”Aplaca那般简洁：

图/ChatGPT

对此，团队给出的解释是：Alpaca的答案通常比ChatGPT短，反映出text-davinci-003的输出较短。

而后团队演示了让“草泥马”Alpaca写邮件：写一封E-mail祝贺被斯坦福大学录取的新生，并提到你很高兴能亲自见到他们。

“草泥马”Alpaca对于这个任务也是信手拈来，直接给出了一个像模像样的邮件模板：

图/Aplaca

难度再次进阶，团队这次提出了让“草泥马”Alpaca写论文摘要的需求：写一篇经过深思熟虑的机器学习论文摘要，证明42是训练神经网络的最优seed。

“草泥马”Alpaca给出的答案从内容上来看，非常符合大多数论文的摘要形式：试图回答什么问题、用了什么方法、结果如何，以及未来展望。

图/Aplaca

当然，也有迫不及待的网友亲自下场试验，发现“草泥马”Alpaca写代码也是不在话下。

图/Aplaca

不过即便“草泥马”Alpaca能够hold住大部分问题，但这并不意味着它没有缺陷。

例如团队便演示了一个例子，在回答“坦桑尼亚的首都是哪里”的问题时，草泥马Alpaca给出的答案是“达累斯萨拉姆”。

但实际上早在1975年便被“多多马”取代了。

图/Aplaca

除此之外，若是亲自体验过“草泥马”Alpaca就会发现，它……巨慢：

图/Aplaca

对此，有网友认为可能是使用的人太多的原因。

图/Twitter

笔记本、手机、树莓派都能跑

Meta开源的LLaMA大模型，刚发布几周就被大家安排明白了，单卡就能运行。

所以理论上，基于LLaMA微调的Alpaca同样可以轻松在本地部署。

没有显卡也没关系，苹果笔记本甚至树莓派、手机都可以玩。

在苹果笔记本部署LLaMA的方法来自GitHub项目llama.cpp，使用纯C/C++做推理，还专门对ARM芯片做了优化。

图/Github

作者实测，M1芯片的MacBook Pro上即可运行，另外也支持Windows和Linux系统。

还是这个C++移植版本，有人成功在4GB内存的树莓派4上成功运行了LLaMA的70亿参数版本。

虽然速度非常慢，大约10秒生成一个token（也就是一分钟蹦出4.5个单词）。

图/Twitter

更离谱的是，仅仅2天之后，有人把LLaMA模型量化压缩（权重转换成更低精度的数据格式）后成功在Pixel 6安卓手机上运行（26秒一个token）。

Pixel 6使用谷歌自研处理器Google Tensor，跑分成绩在骁龙865+到888之间，也就是说新一点的手机理论上都能胜任。

图/Twitter

微调数据集也开源

斯坦福团队微调LLaMA的方法，来自华盛顿大学Yizhong Wang等去年底提出的Self-Instruct。

图/Self-Instruct

以175个问题作为种子任务，让AI自己从中组合出新的问题以及生成配套答案实例，人工过滤掉低质量的，再把新任务添加到任务池里。

所有这些任务，之后可以采用InstructGPT的方法让AI学会如何遵循人类指令。

几圈套娃下来，相当于让AI自己指导自己。

图/Self-Instruct

斯坦福版Alpaca，就是花了不到500美元使用OpenAI API生成了5.2万个这样的示例搞出来的。

这些数据同样开源了出来，并且比原论文的数据多样性更高。

图/Self-Instruct

同时还给出了生成这些数据的代码，也就是说如果有人还嫌不够，可以再去自行扩充微调数据，继续提高模型的表现。

图/HuggingFace

微调代码也会在HuggingFace官方支持LLaMA后放出。

图/HuggingFace

不过Alpaca最终的模型权重需要Meta许可才能发布，并且继承了LLaMA的非商用开源协议，禁止任何商业用途。

并且由于微调数据使用了OpenAI的API，根据使用条款也禁止用来开发与OpenAI形成竞争的模型。

One More Thing

还记得AI绘画的发展历程吗？

2022年上半年还只是话题热度高，8月份Stable Diffusion的开源让成本下降到可用，并由此产生爆炸式的工具创新，让AI绘画真正进入各类工作流程。

语言模型的成本，如今也下降到了个人电子设备可用的程度。

最后还是由Django框架创始人Simon Willison喊出：大语言模型的Stable Diffusion时刻到了。

图/Twitter

本文来自微信公众号：量子位 （ID：QbitAI），作者：梦晨、金磊