在大模型浪潮中,訓練和部署最先進的密集集LLM在運算需求和相關成本上帶來了巨大挑戰,尤其是在數百億或數千億參數的規模上。為了應對這些挑戰,稀疏模型,如專家混合模型(MoE),已經變得越來越重要。 這些模型透過將計算分配給各種專門的子模型或“專家”,提供了一種經濟上可行的替代方案,有可能以極低的資源需求達到甚至超過密集集模型的性能。
6 月3 日,開源大模型領域又傳來重要消息:崑崙萬維宣布開源2 千億稀疏大模型Skywork-MoE,在保持性能強勁的同時,大幅降低了推理成本。
基於先前崑崙萬維開源的Skywork-13B模型中間checkpoint擴展而來,是首個完整將MoE Upcycling技術應用並落地的開源千億MoE大模型,也是首個支持用單台4090伺服器推理的開源千億MoE大模型。
讓大模型社群更為關注的是,Skywork-MoE 的模型權重、技術報告完全開源,免費商用,無需申請。
模型權重下載位址:
○ https://huggingface.co/Skywork/Skywork-MoE-base
#○ https://huggingface.co/Skywork/Skywork-MoE-Base-FP8
模型開源倉庫:https://github.com/SkyworkAI/Skywork-MoE
模型技術報告:https://github.com/SkyworkAI/Skywork-MoE/blob/main/skywork-moe-tech-report.pdf
#模型推理程式碼:(支援8x4090 伺服器上8 bit 量化載入推理)https://github.com/SkyworkAI/vllm
Skywork-MoE 是目前能在8x4090 伺服器上推理的最大的開源MoE 模型。 8x4090 伺服器一共有192GB 的GPU 顯存,在FP8 量化下(weight 佔用146GB),使用崑崙萬維團隊首創的非均勻Tensor Parallel 並行推理方式,Skywork-MoE 可以在合適的batch size 內達到2200 tokens/s 的合適的吞吐。
完整相關的推理框架程式碼與安裝環境請參考:https://github.com/SkyworkAI/Skywork-MoE
Skywork-MoE ##介紹
本次開源的Skywork-MoE 模型隸屬於天工3.0 的研發模型系列,是其中的中檔大小模型(Skywork-MoE-Medium),模型的總參數量為146B,啟動參數量22B,共有16 個Expert,每個Expert 大小為13B,每次啟動其中的2 個Expert。
據了解,天工 3.0 也訓練了 75B (Skywork-MoE-Small) 和 400B (Skywork-MoE-Large)兩檔 MoE 模型,並不在此次開源之列。
崑崙萬維基於目前各大主流模式評測榜單評測了Skywork-MoE,在相同的激活參數量20B(推理計算量)下,Skywork-MoE 能力在行業前列,接近70B 的Dense模型。使得模型的推理成本有近 3 倍的下降。
值得注意的是, Skywork-MoE 的總參數大小比DeepSeekV2 的總參數大小要小1/3,用更小的參數規模做到了相近的能力。
技術創新
為了解決MoE 模型訓練困難,泛化效能差的問題,Skywork-MoE 設計了兩種訓練最佳化演算法:
Gating Logits 歸一化操作
Skywork-MoE 在Gating Layer 的token 分發邏輯處新增了一個normalization 操作,使得Gating Layer 的參數學習更加趨向於被選中的top -2 experts,增加了MoE 模型對於top-2 的置信度:
#自適應的Aux Loss
有別於傳統的固定係數(固定超參)的aux loss, Skywork-MoE 在MoE 訓練的不同階段讓模型自適應的選擇合適的aux loss 超參係數,從而讓Drop Token Rate 保持在合適的區間內,既能做到expert 分發的平衡,又能讓expert 學習具備差異化,進而提升模型整體的效能與泛化程度。在MoE 訓練的前期,由於參數學習不到位,導致Drop Token Rate 太高(token 分佈差異太大),此時需要較大的aux loss 幫助token load balance;在MoE 訓練的後期,Skywork-MoE 團隊希望Expert 之間仍保證一定的區分度,避免Gating 傾向隨機分發Token,因此需要較低的aux loss 來降低糾偏。
訓練 Infra
如何對 MoE 模型高效的進行大規模分散式訓練是一個有難度的挑戰。 Skywork-MoE 提出了兩個重要的平行最佳化設計,從而在千卡叢集上實現了 MFU 38% 的訓練吞吐,其中 MFU 以 22B 的活化參數計算理論計算量。
Expert Data Parallel
區別於Megatron-LM 社群中已有的EP(Expert Parallel)和ETP(Expert Tensor Parallel)設計,Skywork-MoE 團隊提出了一種稱為Expert Data Parallel 的平行設計方案,這種並行方案可以在Expert 數量較小時仍能有效率地切分模型,對Expert 引入的all2all 通訊也可以最大程度的最佳化和掩蓋。相較於EP 對GPU 數量的限制和ETP 在千卡集群上的低效, EDP 可以較好的解決大規模分散式訓練MoE 的並行痛點,同時EDP 的設計簡單、魯棒、易擴展,可以較快的實現與驗證。
一個最簡單的EDP 的例子,兩卡情況下TP = 2, EP = 2, 其中Attention 部分採用Tensor Parallel , Expert 部分採用Expert Parallel
非均勻切分流水並行
由於first stage 的Embedding 計算和last stage 的Loss 計算,以及Pipeline Buffer 的存在, 流水並行下均勻切分Layer 時的各stage 計算負載與顯存負載均有較明顯的不平衡情況。 Skywork-MoE 團隊提出了非均勻的流水並行切分和重計算 Layer 分配方式,使得總體的計算 / 顯存負載更均衡,約有 10% 左右的端到端訓練吞吐提升。
比較均勻切分和非均勻切分下的流水並行氣泡:對於一個24 層Layer 的LLM, (a) 是均勻切分成4 個stage,每個stage 的layer 數量是:[6, 6, 6, 6].(b) 是經過優化後的非均勻切分方式,切成5 個stage, 每個stage 的layer 數量是:[5, 5, 5, 5, 4] , 在中間流水打滿的階段,非均勻切分的氣泡較低。
此外,Skywork-MoE 也透過一系列基於 Scaling Law 的實驗,探討哪些限制會影響 Upcycling 和 From Scratch 訓練 MoE 模型的好壞。
一個可以遵循的經驗規則是:如果訓練MoE 模型的FLOPs 是訓練Dense 模型的2 倍以上,那麼選擇from Scratch 訓練MoE 會更好,否則的話,選擇Upcycling 訓練MoE 可以大幅減少訓練成本。
以上是單一4090可推理,2000億稀疏大模型「天工MoE」開源的詳細內容。更多資訊請關注PHP中文網其他相關文章!

你可能听过以下犀利的观点:1.跟着NVIDIA的技术路线,可能永远也追不上NVIDIA的脚步。2.DSA或许有机会追赶上NVIDIA,但目前的状况是DSA濒临消亡,看不到任何希望另一方面,我们都知道现在大模型正处于风口位置,业界很多人想做大模型芯片,也有很多人想投大模型芯片。但是,大模型芯片的设计关键在哪,大带宽大内存的重要性好像大家都知道,但做出来的芯片跟NVIDIA相比,又有何不同?带着问题,本文尝试给大家一点启发。纯粹以观点为主的文章往往显得形式主义,我们可以通过一个架构的例子来说明Sam

2021年9月25日,阿里云发布了开源项目通义千问140亿参数模型Qwen-14B以及其对话模型Qwen-14B-Chat,并且可以免费商用。Qwen-14B在多个权威评测中表现出色,超过了同等规模的模型,甚至有些指标接近Llama2-70B。此前,阿里云还开源了70亿参数模型Qwen-7B,仅一个多月的时间下载量就突破了100万,成为开源社区的热门项目Qwen-14B是一款支持多种语言的高性能开源模型,相比同类模型使用了更多的高质量数据,整体训练数据超过3万亿Token,使得模型具备更强大的推

在法国巴黎举行了国际计算机视觉大会ICCV(InternationalConferenceonComputerVision)本周开幕作为全球计算机视觉领域顶级的学术会议,ICCV每两年召开一次。ICCV的热度一直以来都与CVPR不相上下,屡创新高在今天的开幕式上,ICCV官方公布了今年的论文数据:本届ICCV共有8068篇投稿,其中有2160篇被接收,录用率为26.8%,略高于上一届ICCV2021的录用率25.9%在论文主题方面,官方也公布了相关数据:多视角和传感器的3D技术热度最高在今天的开

8月31日,文心一言首次向全社会全面开放。用户可以在应用商店下载“文心一言APP”或登录“文心一言官网”(https://yiyan.baidu.com)进行体验据报道,百度计划推出一系列经过全新重构的AI原生应用,以便让用户充分体验生成式AI的理解、生成、逻辑和记忆等四大核心能力今年3月16日,文心一言开启邀测。作为全球大厂中首个发布的生成式AI产品,文心一言的基础模型文心大模型早在2019年就在国内率先发布,近期升级的文心大模型3.5也持续在十余个国内外权威测评中位居第一。李彦宏表示,当文心

随着智慧司法的兴起,智能化方法驱动的智能法律系统有望惠及不同群体。例如,为法律专业人员减轻文书工作,为普通民众提供法律咨询服务,为法学学生提供学习和考试辅导。由于法律知识的独特性和司法任务的多样性,此前的智慧司法研究方面主要着眼于为特定任务设计自动化算法,难以满足对司法领域提供支撑性服务的需求,离应用落地有不小的距离。而大型语言模型(LLMs)在不同的传统任务上展示出强大的能力,为智能法律系统的进一步发展带来希望。近日,复旦大学数据智能与社会计算实验室(FudanDISC)发布大语言模型驱动的中

保险行业对于社会民生和国民经济的重要性不言而喻。作为风险管理工具,保险为人民群众提供保障和福利,推动经济的稳定和可持续发展。在新的时代背景下,保险行业面临着新的机遇和挑战,需要不断创新和转型,以适应社会需求的变化和经济结构的调整近年来,中国的保险科技蓬勃发展。通过创新的商业模式和先进的技术手段,积极推动保险行业实现数字化和智能化转型。保险科技的目标是提升保险服务的便利性、个性化和智能化水平,以前所未有的速度改变传统保险业的面貌。这一发展趋势为保险行业注入了新的活力,使保险产品更贴近人民群众的实际

不得不说,Llama2的「二创」项目越来越硬核、有趣了。自Meta发布开源大模型Llama2以来,围绕着该模型的「二创」项目便多了起来。此前7月,特斯拉前AI总监、重回OpenAI的AndrejKarpathy利用周末时间,做了一个关于Llama2的有趣项目llama2.c,让用户在PyTorch中训练一个babyLlama2模型,然后使用近500行纯C、无任何依赖性的文件进行推理。今天,在Karpathyllama2.c项目的基础上,又有开发者创建了一个启动Llama2的演示操作系统,以及一个

杭州第19届亚运会不仅是国际顶级体育盛会,更是一场精彩绝伦的中国科技盛宴。本届亚运会中,快手StreamLake与杭州电信深度合作,联合打造智慧观赛新体验,在击剑赛事的转播中,全面应用了快手StreamLake六自由度技术,其中“子弹时间”也是首次应用于击剑项目国际顶级赛事。中国电信杭州分公司智能亚运专班组长芮杰表示,依托快手StreamLake自研的4K3D虚拟运镜视频技术和中国电信5G/全光网,通过赛场内部署的4K专业摄像机阵列实时采集的高清竞赛视频,


熱AI工具

Undresser.AI Undress
人工智慧驅動的應用程序,用於創建逼真的裸體照片

AI Clothes Remover
用於從照片中去除衣服的線上人工智慧工具。

Undress AI Tool
免費脫衣圖片

Clothoff.io
AI脫衣器

AI Hentai Generator
免費產生 AI 無盡。

熱門文章

熱工具

SAP NetWeaver Server Adapter for Eclipse
將Eclipse與SAP NetWeaver應用伺服器整合。

EditPlus 中文破解版
體積小,語法高亮,不支援程式碼提示功能

Dreamweaver Mac版
視覺化網頁開發工具

記事本++7.3.1
好用且免費的程式碼編輯器

VSCode Windows 64位元 下載
微軟推出的免費、功能強大的一款IDE編輯器