新智元报道

编辑：编辑部

【新智元导读】最大开源模型，再次刷爆纪录！Snowflake的Arctic，以128位专家和4800亿参数，成为迄今最大的开源模型。它的特点，是又大又稀疏，因此计算资源只用了不到Llama 3 8B的一半，就达到了相同的性能指标。

就在刚刚，拥有128位专家和4800亿参数的Arctic，成功登上了迄今最大开源MoE模型的宝座。

它基于全新的Dense-MoE架构设计，由一个10B的稠密Tranformer模型和128×3.66B的MoE MLP组成，并在3.5万亿个token上进行了训练。

不仅如此，作为一个比「开源」更「开源」的模型，团队甚至把训练数据的处理方法也全给公开了。

Arctic的的两个特点，一个是大，另一个就是非常稀疏。

好处就在于，这种架构让你可以用比别人少好几倍的训练开销，就能得到性能差不多的模型。

也就是说，与其他使用类似计算预算训练的开源模型相比，Arctic的性能更加优异。

比起Llama 3 8B和Llama 2 70B，Arctic所用的训练计算资源不到它们的一半，评估指标却取得了相当的分数！

图1 编码（HumanEval+和MBPP+）、SQL生成（Spider） 和指令遵循（IFEval）的企业智能平均值与训练成本的比较

具体信息如下——

480B参数，生成期间17B处于活跃状态； 128位专家，有2位在生成期间活跃； Instruct & Base版本发布； 专注于企业任务（代码、SQL、推理、跟踪）； 在Apache 2.0下发布； FP16精度下约为900GB内存，INT4精度下约为240GB内存 使用DeepSpeed-MoE训练。

主打的就是一个性价比

评测主要看两项指标，一个是企业智能指标，一个是学术基准。

企业智能指标，是对企业客户至关重要的技能，包括包括编码(HumanEval+和MBPP+)、SQL生成(Spider)和指令遵循(IFEval)。

同时，团队也采用了业界常用的评估LLM的学术基准，包括世界知识、常识推理和数学能力。

可以看到，Arctic在多项企业智能指标中，都超越了Mixtral 8×7B等开源对手。

在计算类别中，它实现了顶级性能，甚至和使用更高计算预算训练的模型，都有的一拼。

在学术基准上，它的表现也不差。

在测评中，团队发现了一件有意思的事。

MMLU等世界知识指标，是人们常用的学术基准测试。而随着高质量网络和STEM数据的增加，MMLU的得分会随着训练FLOPS的增加而提高。

但是，Arctic的目标之一，是在保持较小训练预算的同时优化训练效率，因此，跟其他模型相比，Arctic在MMLU上的得分较低，也实属情理之中。

由此，如果训练计算预算高于Arctic的训练，MMLU性能就将超越Arctic。

当然，MMLU世界知识的性能，并不一定和团队所关注的企业智能直接相关。

表3 Arctic与DBRX、Llama 3 8B、Llama 3 70B、Mixtral 8x7B、Mixtral 8x22B的对比

企业级AI的训练成本，被打下来了！

在以往，用LLM构建顶级企业AI的成本，往往高得离谱，而且需要大量资源，令人望而却步。

通常，花费的成本高达数千万甚至数亿美元，这一成本是惊人的。

如何解决有效训练和推理的限制？Snowflake AI团队的研究者一直在做这方面的努力，团队成员过去曾开源了ZeRO、DeepSpeed、PagedAttention/vLLM和LLM360等系统，显著降低了LLM训练和推理的成本。

而今天推出的Arctic，在SQL生成、编码和遵循基准指令等企业任务上，表现非常出色。

它为具有成本效益的训练设定了新的基准，用户可以以极低的成本，就能创建满足企业需求的高质量定制模型。

Arctic也是一个真正的开放模型，在Apache 2.0许可下，提供对权重和代码的无限制访问。

从今天开始，Snowflake Arctic就可以从Hugging Face上获取了。

计算资源仅用一半，表现却和Llama 3 8B相当

团队发现，企业客户对AI有着一致的需求和使用场景——构建对话式SQL数据助手、代码助手和RAG聊天机器人。

为了便于评估，团队通过对编码（HumanEval+和MBPP+）、SQL生成（Spider）和指令跟随（IFEval）取平均值，将这些能力整合到「企业智能」这个单一指标中。

在开源LLM中，Arctic仅用不到200万美元（相当于不到3000个GPU周）的训练计算预算，就实现了顶级的企业智能。

更重要的是，即使与那些使用显著更高计算预算训练的模型相比，它在企业智能任务上也表现出色。

结果显示，Arctic在企业级评估指标上的表现，与Llama 3 8B和Llama 2 70B相当，甚至更优，而它所使用的训练计算资源却不到后两者的一半。

具体来说，Arctic使用的计算预算只有Llama3 70B的1/17，但在编程（HumanEval+和MBPP+）、SQL（Spider）和指令跟随（IFEval）等企业级任务上，都与其不相上下。

表1 Arctic、Llama-2 70B、DBRX和Mixtral 8x22B的模型架构和训练计算量（与活跃参数和训练token的乘积成正比）

此外，Arctic的高训练效率还意味着，Snowflake客户和整个AI社区可以以更加经济实惠的方式训练定制模型。

训练效率

为了实现如此高的训练效率，Arctic采用了独特的Dense-MoE Hybrid transformer架构。

该架构将一个10B规模的稠密Transformer模型与一个128×3.66B规模的残差MoE MLP相结合，虽然总参数量达到480B，但通过top-2 gating的方式只选择了其中17B个参数保持活跃。

Arctic的设计和训练基于以下三个关键创新:

1. 更多但精炼的专家，以及更多的专家选择

首先，DeepSpeed团队在2021年末便证明了，MoE（Mixture of Experts）可以在不增加计算成本的情况下，显著提高LLM模型的质量。

其次，模型质量的提升主要取决于MoE模型中专家的数量、总参数量以及这些专家可以组合在一起的方式和数量。

基于此，Arctic被设计为拥有480B个参数，分布在128个细粒度专家中，并使用top-2 gating选择17B个活跃参数。相比之下，最近的MoE模型使用的专家数量就要少得多了（如表2所示）。

从直观上看，Arctic利用更大的总参数量和众多专家来扩大模型容量，同时更明智地在众多精炼的专家中进行选择，并使用适度数量的活跃参数来实现资源高效的训练和推理，最终获得顶级的智能。

图2 标准MoE架构 vs. Arctic

2. 架构和系统协同设计

即便是用最强大的AI硬件，想要基于普通的MoE架构训练大量专家效率依然很低。

其原因在于，专家之间存在的全通信开销非常高昂。不过，如果能将通信与计算重叠，那么就可以极大地降低这种开销。

因此，团队在Arctic架构中将一个密集的Transformer与一个残差MoE组件（图2）相结合，从而使系统能够通过通信计算重叠来消除大部分通信开销，最终实现了极佳的训练效率。

3. 面向企业的数据课程

要在代码生成和SQL等企业指标上表现出色，需要与训练通用指标的模型截然不同的数据课程。

团队在进行了数百次小规模的对比实验后发现，常识推理等通用技能可以在开始时学习，而编码、数学和SQL等更复杂的指标可以在训练的后期有效学习。

因此，Arctic采用了三阶段课程进行训练，每个阶段的数据组成不同——

第一阶段（1T Tokens）侧重于通用技能，后两个阶段（1.5T和1T Tokens）侧重于企业级技能。

表2 Arctic三阶段训练的动态数据组成

推理效率

训练效率，只是Arctic高效的其中一个方面。

如果希望低成本部署模型，推理效率也同样至关重要。

作为MoE模型规模的飞跃，Arctic使用了比其他开源自回归模型更多的专家和参数。

因此，为了有效地在Arctic上运行推理，团队做了一些系统性的创新——

a） 在较小batch的交互式推理中（比如批大小为1），MoE模型的推理延迟受到了读取所有活跃参数所需时间的瓶颈，其中，推理是受内存带宽限制的。

在这样的批大小下，Arctic（17B活跃参数）的内存读取次数比Code-Llama 70B少4倍，比 Mixtral 8x22B（44B活动参数）少2.5倍，从而实现更快的推理性能。

为此，团队跟英伟达的TensorRT-LLM和vLLM团队展开合作，为交互式推理提供了Arctic的初步实现。

通过FP8量化，团队可以将Arctic放入单个GPU节点中。

虽然仍远未完全优化，但在批大小为1时，Arctic的吞吐量超过70+token/秒，这样就实现了有效的交互式服务。

b) 当批大小的规模显著增加，例如每次前向传递要处理数千个token时，Arctic就会从内存带宽受限转变为计算受限，此时推理的瓶颈就在于每个token的活跃参数。

在这一点上，与CodeLlama 70B和Llama 3 70B相比，Arctic的计算需求减少了4倍。

为了实现计算受限的推理和与Arctic中活跃参数数量较少相对应的高吞吐量（如下图所示），需要较大的batch size。

要实现这一点，需要有足够的KV缓存内存来支持较大的batch size，同时也需要足够的内存来存储近500B的模型参数。

面对这重重挑战，最终团队还是找到了办法。

通过使用FP8权重、分割融合和连续批处理、节点内的张量并行性以及节点间的管线并行性等系统优化组合，团队在双节点推理中，实现了这一目标。

图3 推理期间编码（HumanEval+和MBPP+）、SQL生成（Spider）和指令跟踪 （IFEval）企业智能的平均值与活跃参数的对比

开源代码

新模型Arctic基础模型和指令微调模型代码全部开源，任何人可以将其用于研究、产品、原型当中。

项目地址：https://github.com/Snowflake-Labs/snowflake-arctic

研究人员基于LoRA的微调的pipeline和配方（recipe），并允许在单个节点上进行高效的模型微调。

现在，Snowflake正在与英伟达TensorRT-LLM和vLLM开展合作，为Arctic模型开发初始的推理实现，并且针对批大小为1的交互式使用进行了优化。

未来，他们还将与社区合作，解决真正大型MoE更大的批大小的推理复杂性。

Cookbook：https://medium.com/snowflake/snowflake-arctic-cookbook-series-exploring-mixture-of-experts-moe-c7d6b8f14d16

另外，Arctic现使用的是4k上下文窗口进行训练，研究人员还将开发一种基于注意力下沉（attention-sinks）的滑动窗口的方法，以支持未来几周无限序列生成能力。

下一步，将会扩展到32K上下文窗口。

团队介绍

Snowflake的CEO，是Sridhar Ramaswamy，是前谷歌高级副总裁。

在谷歌工作15年后，他成为Neeva的联合创始人，后来Neeva被Snowflake收购。

他在印度理工学院马德拉斯分校获得计算机学士学位，并在布朗大学获得计算机博士学位。

AI团队的一把手Vivek Raghunathan，也是前谷歌副总裁。

他曾担任微软研究员，后在谷歌从事机器学习、广告基础架构等方面工作，18年开始在谷歌担任副总裁，领导YouTube团队。

随后，他和Sridhar Ramaswamy共同创办了Neeva。

Raghunathan同样也是印度理工学院的校友，不过是在孟买分校获得的学士学位。之后，他在UIUC取得了硕士和博士学位。

为了发展AI，两人把DeepSpeed团队最顶尖的几个元老都挖了过来，包括Zhewei Yao和Yuxiong He。

Zhewei Yao在UC伯克利获得博士学位，研究兴趣在于计算统计、优化和机器学习。（在此之前，他2016年曾获得上交大数学学士学位。）

他从2021年开始便加入了微软，在微软担任首席研究员和研发经理，致力于高效的大规模训练和推理。

目前，他是Snowflake的高级科学家和SDE II，同时也是Snowflake大规模预训练创始成员。

Yuxiong He在微软任职13年，是DeepSpeed的创始人之一，最近加入了Snowflake。

她曾在新加坡南阳理工大学获得了计算机工程学士学位。

团队的另一位华人大牛Aurick Qiao，去年11月刚加入Snowflake。

CMU读博期间，他曾获得Osdi 2022的最佳论文优胜奖。此前曾在微软、Dropbox工作。

曾担任Petuum CEO，以及LMNet的联合创始人。

Hao Zhang是UCSD的Halıcıoğ数据科学研究所和计算机科学与工程系的助理教授。

他曾获得了CMU计算机博士学位，师从Eric Xing。在攻读博士学位期间，他休学一段时间并在ML平台初创公司Petuum工作。

Hao Zhang在2023年联合创立了LMnet.ai，这家公司于同年11月加入了Snowflake。

他此前还共同创办了非营利组织LMSYS Org，该组织训练了此前十分流行的模型Vicuna以及发起和维护目前最重要的大语言模型评测机制：Chatbot Arena。

他本人的研究兴趣是机器学习与系统的交叉领域。

参考资料：

https://www.snowflake.com/blog/arctic-open-efficient-foundation-language-models-snowflake/