


Ein einzelnes 4090 ableitbares, 200 Milliarden spärlich großes Modell „Tiangong MoE' ist Open Source
In der Welle großer Modelle stellt das Training und der Einsatz hochmoderner LLMs mit dichter Menge große Herausforderungen hinsichtlich des Rechenaufwands und der damit verbundenen Kosten dar, insbesondere bei Skalen von mehreren zehn oder hundert Milliarden Parametern. Um diesen Herausforderungen zu begegnen, werden dünnbesetzte Modelle wie Mixture of Experts (MoE)-Modelle immer wichtiger. Diese Modelle bieten eine wirtschaftlich sinnvolle Alternative, indem sie die Berechnung auf verschiedene spezialisierte Untermodelle oder „Experten“ verteilen und das Potenzial haben, die Leistung von Modellen mit dichter Menge zu erreichen oder sogar zu übertreffen, und das bei sehr geringem Ressourcenbedarf.
Am 3. Juni kam eine weitere wichtige Nachricht aus dem Bereich der Open-Source-Großmodelle: Kunlun Wanwei kündigte die Open Source des 200 Milliarden spärlichen Großmodells Skywork-MoE an, das die Inferenzkosten erheblich senkt und gleichzeitig eine starke Leistung beibehält.
Erweitert auf der Grundlage des vorherigen Open-Source-Modells Skywork-13B Intermediate Checkpoint von Kunlun Wanwei. Es ist das erste Open-Source-100-Milliarden-MoE-Großmodell, das die MoE-Upcycling-Technologie vollständig anwendet und implementiert ein einzelner 4090-Server. Hunderte Milliarden MoE-Großmodelle. Was in der großen Model-Community noch mehr Aufmerksamkeit erregt, ist die Tatsache, dass die Modellgewichte und technischen Berichte von Skywork-MoE vollständig Open Source und für die kommerzielle Nutzung kostenlos sind, ohne dass eine Anwendung erforderlich ist.- Download-Adresse für Modellgewichte:
- Modell eines Open-Source-Warehouses: https://github.com/SkyworkAI/Skywork-MoE
- Modell eines technischen Berichts: https://github.com/SkyworkAI/Skywork-MoE/blob/main/skywork-moe - tech-report.pdf
- Modellinferenzcode: (unterstützt quantisierte 8-Bit-Lastinferenz auf 8x4090-Servern) https://github.com/SkyworkAI/vllm
Skywork-MoE Einführung
Dieses Open-Source-Skywork-MoE-Modell gehört zu Tiangong Die 3.0 R&D-Modellreihe ist das Mittelklassemodell (Skywork-MoE-Medium). Die Gesamtparametermenge des Modells beträgt 146B, die Aktivierungsparametermenge beträgt 22B und es gibt insgesamt 16 Experten , und 2 davon werden jedes Mal aktiviert. Es versteht sich, dass Tiangong 3.0 auch zwei MoE-Modelle trainiert hat, 75B (Skywork-MoE-Small) und 400B (Skywork-MoE-Large), die nicht in dieser Open Source enthalten sind. Kunlun Wanwei bewertete Skywork-MoE auf der Grundlage der aktuellen Bewertungslisten der wichtigsten Mainstream-Modelle. Bei der gleichen Aktivierungsparametermenge von 20B (Inferenzberechnungsmenge) liegen die Fähigkeiten von Skywork-MoE an der Spitze der Branche und liegen nahe bei 70B Dense Modell. Dadurch werden die Inferenzkosten des Modells um fast das Dreifache reduziert.Technische Innovation
Um die Probleme des schwierigen MoE-Modelltrainings und der schlechten Generalisierungsleistung zu lösen, hat Skywork-MoE zwei Trainingsoptimierungsalgorithmen entwickelt:Gating Logits-Normalisierungsoperation
Skywork-MoE in Gating A neu Der Normalisierungsvorgang wird zur Token-Verteilungslogik des Layers hinzugefügt, wodurch das Parameterlernen des Gating-Layers stärker auf die ausgewählten Top-2-Experten ausgerichtet wird und das Vertrauen des MoE-Modells für die Top-2 erhöht wird:Adaptiv Der Aux-Verlust
Training Infra
Die effiziente Durchführung groß angelegter verteilter Schulungen von MoE-Modellen ist eine schwierige Herausforderung. Skywork-MoE schlägt zwei wichtige parallele Optimierungsdesigns vor, um einen Trainingsdurchsatz von MFU von 38 % auf einem Kilokalorien-Cluster zu erreichen, wobei MFU die theoretische Rechenlast mit einem Aktivierungsparameter von 22B berechnet.Expertendatenparallel
Anders als die bestehenden EP- (Expert Parallel) und ETP- (Expert Tensor Parallel) Designs in der Megatron-LM-Community hat das Skywork-MoE-Team eine parallele Designlösung namens Expert Data Parallel vorgeschlagen. Diese parallele Lösung kann in Expert When verwendet werden Die Anzahl ist gering, das Modell kann dennoch effizient segmentiert werden und die von Expert eingeführte All-2-All-Kommunikation kann ebenfalls weitgehend optimiert und maskiert werden. Verglichen mit der Beschränkung der Anzahl der GPUs durch EP und der Ineffizienz von ETP bei Kilokarten-Clustern kann EDP die parallelen Schwachstellen groß angelegter verteilter Trainings-MoE besser lösen. Gleichzeitig ist das Design von EDP einfach, robust und leicht zu erweitern. und kann verglichen werden. Schnelle Implementierung und Überprüfung. E Eines der einfachsten EDP-Beispiele, TP = 2, EP = 2 im Fall von zwei Karten, bei denen der Aufmerksamkeitsteil Tensor Parallel und der Expertenteil Expert Parallel verwendet. Ungleichmäßiges Schneiden von Wasser parallel zu Wasser parallel Wasser
Aufgrund der Einbettungsberechnung der ersten Stufe und der Verlustberechnung der letzten Stufe sowie der Existenz des Pipeline-Puffers besteht ein offensichtliches Ungleichgewicht in der Rechenlast und der Videospeicherlast jeder Stufe, wenn die Die Schicht ist unter Pipeline-Parallelität gleichmäßig aufgeteilt. Das Skywork-MoE-Team schlug eine Methode zur ungleichmäßigen parallelen Pipeline-Segmentierung und Neuberechnungsschichtzuweisung vor, um die gesamte Rechen-/Grafikspeicherauslastung ausgewogener zu gestalten und den End-to-End-Trainingsdurchsatz um etwa 10 % zu verbessern.
Vergleichen Sie die Pipeline-Parallelblasen unter gleichmäßiger Segmentierung und ungleichmäßiger Segmentierung: Für ein 24-Schicht-LLM ist (a) gleichmäßig in 4 Stufen unterteilt, und die Anzahl der Schichten in jeder Stufe beträgt: [ 6 , 6, 6, 6]. (b) ist eine optimierte ungleichmäßige Aufteilungsmethode, die in 5 Stufen unterteilt ist: [5, 5, 5, 5, 4]. Die mittlere Stufe ist mit fließendem Wasser gefüllt, die ungleichmäßig verteilten Blasen liegen noch tiefer.
Darüber hinaus führte Skywork-MoE auch eine Reihe von Experimenten auf der Grundlage des Skalierungsgesetzes durch, um zu untersuchen, welche Einschränkungen sich auf die Leistung von Upcycling- und From Scratch-Trainings-MoE-Modellen auswirken.
Das obige ist der detaillierte Inhalt vonEin einzelnes 4090 ableitbares, 200 Milliarden spärlich großes Modell „Tiangong MoE' ist Open Source. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!

In John Rawls 'wegweisendem Buch von 1971 schlug er ein Gedankenexperiment vor, das wir als Kern des heutigen KI-Designs und der Entscheidungsfindung verwenden sollten: den Schleier der Unwissenheit. Diese Philosophie bietet ein einfaches Instrument zum Verständnis von Eigenkapital und bietet auch eine Entwurf für Führungskräfte, um dieses Verständnis zu nutzen, um KI auf gerechte Weise zu entwerfen und umzusetzen. Stellen Sie sich vor, Sie treffen Regeln für eine neue Gesellschaft. Aber es gibt eine Prämisse: Sie wissen nicht im Voraus, welche Rolle Sie in dieser Gesellschaft spielen werden. Möglicherweise sind Sie reich oder arm, gesund oder behindert, gehören einer Mehrheit oder einer marginalen Minderheit. Der Betrieb unter diesem "Schleier der Unwissenheit" verhindert, dass Regelmacher Entscheidungen treffen, die selbst zugute kommen. Im Gegenteil, die Menschen werden motivierter sein, die Öffentlichkeit zu formulieren

Zahlreiche Unternehmen sind auf Roboterprozessautomatisierung (RPA) spezialisiert und bieten Bots, um sich wiederholende Aufgaben zu automatisieren - Uipath, Automatisierung überall, blaues Prisma und andere. In der Zwischenzeit verarbeiten Sie Mining, Orchestrierung und intelligente Dokumentenverarbeitung Speciali

Die Zukunft der KI bewegt sich über die einfache Wortvorhersage und die Konversationsimulation hinaus. KI -Agenten sind aufgetaucht, in der Lage, unabhängige Handlungen und Aufgabenabschluss zu erledigen. Diese Verschiebung zeigt sich bereits in Tools wie dem Claude von Anthropic. KI -Agenten: Forschung a

Schnelle technologische Fortschritte erfordern eine zukunftsweisende Perspektive auf die Zukunft der Arbeit. Was passiert, wenn die KI nur die Produktivitätsverstärkung überschreitet und unsere gesellschaftlichen Strukturen prägt? Topher McDougals bevorstehendes Buch Gaia Wakes:

Die Produktklassifizierung, die häufig komplexe Codes wie "HS 8471.30" aus Systemen wie dem harmonisierten System (HS) umfasst, ist für den internationalen Handel und den Inlandsumsatz von entscheidender Bedeutung. Diese Codes gewährleisten den korrekten Steuerantrag und wirken sich auf jeden Inv aus

Die Zukunft des Energieverbrauchs in Rechenzentren und Klimaschutzinvestitionen In diesem Artikel wird der Anstieg des Energieverbrauchs in Rechenzentren untersucht, die von KI und ihren Auswirkungen auf den Klimawandel angetrieben werden, und analysiert innovative Lösungen und politische Empfehlungen, um diese Herausforderung zu befriedigen. Herausforderungen des Energiebedarfs: Zentren im großen und ultra-großen Maßstab verbrauchen enorme Macht, vergleichbar mit der Summe von Hunderttausenden gewöhnlicher nordamerikanischer Familien und aufstrebende AI-Zentren im Bereich Ultra-Large-Scale-Zentren verbrauchen Dutzende von Zeiten mehr mehr Macht als diese. In den ersten acht Monaten des 2024 haben Microsoft, Meta, Google und Amazon rund 125 Milliarden US -Dollar in den Bau und den Betrieb von AI -Rechenzentren investiert (JP Morgan, 2024) (Tabelle 1). Der wachsende Energiebedarf ist sowohl eine Herausforderung als auch eine Chance. Laut Kanarischen Medien der drohende Elektrizität

Generative AI revolutioniert die Film- und Fernsehproduktion. Das Ray 2-Modell von Luma sowie das Gen-4 von Runway, Openai von Sora, Google's VEO und andere neue Modelle verbessern die Qualität der generierten Videos mit beispielloser Geschwindigkeit. Diese Modelle können problemlos komplexe Spezialeffekte und realistische Szenen erzeugen, selbst kurze Videoclips und Kameraser-Bewegungseffekte wurden erreicht. Während die Manipulation und Konsistenz dieser Tools noch verbessert werden müssen, ist die Geschwindigkeit des Fortschritts erstaunlich. Generatives Video wird zu einem unabhängigen Medium. Einige Modelle sind gut in der Animationsproduktion, andere sind gut in Live-Action-Bildern. Es ist erwähnenswert, dass Adobe's Firefly und Moonvalleys MA

ChatGPT -Benutzererfahrung lehnt ab: Ist es ein Modellverschlechterungs- oder Benutzererwartungen? In jüngster Zeit haben sich eine große Anzahl von ChatGPT bezahlten Nutzern über ihre Leistungsverschlechterung beschwert, die weit verbreitete Aufmerksamkeit erregt hat. Die Benutzer berichteten über langsamere Antworten auf Modelle, kürzere Antworten, mangelnde Hilfe und noch mehr Halluzinationen. Einige Benutzer äußerten Unzufriedenheit in den sozialen Medien und wiesen darauf hin, dass ChatGPT zu „zu schmeichelhaft“ geworden ist, und neigt dazu, Benutzeransichten zu überprüfen, anstatt ein kritisches Feedback zu geben. Dies wirkt sich nicht nur auf die Benutzererfahrung aus, sondern verleiht Unternehmenskunden auch tatsächliche Verluste, wie z. B. reduzierte Produktivität und Rechenressourcenverschwendung. Nachweis der Leistungsverschlechterung Viele Benutzer haben einen signifikanten Verschlechterung der Chatgpt-Leistung gemeldet, insbesondere in älteren Modellen wie GPT-4 (die Ende dieses Monats bald vom Service abgebrochen werden). Das


Heiße KI -Werkzeuge

Undresser.AI Undress
KI-gestützte App zum Erstellen realistischer Aktfotos

AI Clothes Remover
Online-KI-Tool zum Entfernen von Kleidung aus Fotos.

Undress AI Tool
Ausziehbilder kostenlos

Clothoff.io
KI-Kleiderentferner

Video Face Swap
Tauschen Sie Gesichter in jedem Video mühelos mit unserem völlig kostenlosen KI-Gesichtstausch-Tool aus!

Heißer Artikel

Heiße Werkzeuge

Notepad++7.3.1
Einfach zu bedienender und kostenloser Code-Editor

SublimeText3 Linux neue Version
SublimeText3 Linux neueste Version

WebStorm-Mac-Version
Nützliche JavaScript-Entwicklungstools

MinGW – Minimalistisches GNU für Windows
Dieses Projekt wird derzeit auf osdn.net/projects/mingw migriert. Sie können uns dort weiterhin folgen. MinGW: Eine native Windows-Portierung der GNU Compiler Collection (GCC), frei verteilbare Importbibliotheken und Header-Dateien zum Erstellen nativer Windows-Anwendungen, einschließlich Erweiterungen der MSVC-Laufzeit zur Unterstützung der C99-Funktionalität. Die gesamte MinGW-Software kann auf 64-Bit-Windows-Plattformen ausgeführt werden.

PHPStorm Mac-Version
Das neueste (2018.2.1) professionelle, integrierte PHP-Entwicklungstool
