金磊 發自 凹非寺
量子位 | 公眾號 QbitAI
一個體量僅為2B的大模型，能有什麼用？
答案可能超出你的想象。
因為若是用四個字來概括，那就是“多、快、好、省”：
- ：它是業界第一個在端側部署多模態的大模型。
- ：一張1080Ti可高效微調、一臺機器可以持續訓練。
- ：效能跟體量極具反差感，在多項成績中超越了一眾主流“大體量”大模型。
- ：1元=1700000 tokens，成本為Mistral-Medium百分之一
那麼，這個能夠“以小博大”，頗有四兩撥千斤意味的大模型，到底什麼來頭？
不賣關子，它正是由清華系初創公司面壁智慧最新發布的旗艦終端大模型——MiniCPM。
並且團隊還給它起了個別具一格的暱稱——小鋼炮。
而在眾多亮點之間，最令人意外的還是小鋼炮用2B的“姿勢”所表現出來的效能。
例如與同樣是採用“以小博大”路數的大模型標杆之作Mistral-7B做比較，小鋼炮多項標準測試成績均勝出：
再把與小鋼炮同“體量”的選手拉出來，大部分能力依舊是處於領先，並且英文能力還是較為出眾的那種：
即使把Mistral-7B更大的模型拉進來同臺比擂，例如Llama2-13B、MPT-13B、Falcon 40B，多項成績較為出眾的仍是小鋼炮：
若不論大模型的尺寸，把主流的全部囊括進來，在最接近人評的測試集MT-Bench中比較，小鋼炮也取得了較為不錯的成績：
不僅如此，根據面壁智慧CEO李大海的介紹：
int4量化版小鋼炮，可以在快閃記憶體應用壓縮75%的情況下，效能可以做到基本無損耗。
有一說一，成績和榜單是大模型能力的一方面，但更重要的還是要看大模型在實際應用中的效果。
2B“小鋼炮”效果一覽
老規矩，我們還是從不同維度來看下小鋼炮的實際應用效果。
中英夾雜提問，精準翻譯成法語
讓大模型在兩種語言之間做翻譯已然是件常見的事情。
團隊在現場給小鋼炮的翻譯任務加了一把難度，中英混合提問，並要求把整句翻譯成法語：
Translate this sentence into French: “I am a fresh man on Chinese, do you know how this sentence is translated: 如何用Python建立一個簡單的網頁爬蟲？”
從翻譯結果來看，小鋼炮準確地理解了中英混合的表述，並按照要求給出了精準的法語翻譯。
如果讓人類給一句話新增emoji，那麼過程大致是要先理解這句話，然後再在恰當的位置塞進emoji表情。
那麼這個任務小鋼炮是否能hold住呢？
請看結果：
生日是要[慶祝]的，和也精準塞進了恰當位置，最重要是小鋼炮理解到了這句話是表達[愛意]。
再如“山東省最高的山是那座山，它比黃山高還是矮？差距多少？”這樣的問題，小鋼炮也是輕鬆應對：
小鋼炮給自己寫程式碼
大模型對給定的任務寫程式碼現在也是司空見慣了。
如果讓大模型給自己寫段程式碼呢？請聽題：
編寫一個Python程式來實現一個MiniCPM模型（Transformer結構，40層，每層維度為2304，詞表大小為122753）。
小鋼炮在接收到任務之後，隨即開始“自己給自己寫程式碼”，並且每一步的步驟內容也是非常清晰：匯入所需庫→定義模型結構→定義訓練和評估函式→訓練模型→評估模型效能。
多模態首次上手機
正如我們剛才提到的，小鋼炮的亮點之一就是它是業界第一個在端側部署多模態的大模型。
在現場，李大海也對此做了相應的展示。
例如先“喂”給手機裡的小鋼炮一張圖，並提問“這個蘑菇的名字是什麼？有毒麼”，小鋼炮就會先看圖再作答：
這根蘑菇的名稱是“蠅鵝膏”。它有毒，可以引起噁心、嘔吐和腹瀉等症狀。
當然，連續追問、上下文對話也是不在話下：
據瞭解，上面展示的這些能力都是在量化版小鋼炮+OPPO手機+驍龍855晶片這個配置之下完成的。
之所以如此，是因為團隊想要展示小鋼炮是一個“省錢的大模型”。
怎麼理解？
剛才手機裡GPU的成本大約600元，每秒7.5tokens，假設執行5年報廢，共計170萬tokens，則其推理成本僅為1元。
如此，便可以得到一個成本公式：
1元=1700000tokens。
相比GPT-4的推理成本，1元=4700tokens，可以說是指數級的把價格打下去。
即便是與Mistral-medium相比，成本也是其1/100。
這次也同步開源了一個更大也更好展示多模態能力的OmniLMM-12B，玩法就變得更多了。
例如舉著手機，在攝像頭下方比劃石頭、剪刀、布，並向小鋼炮提問：
我現在玩的可能是什麼遊戲？
小鋼炮看完之後，在理解基礎上便會開始作答：
你可能在玩的遊戲是石頭剪刀布。
然後繼續給小鋼炮看一眼“拳頭”，併發問：
手勢在遊戲中是什麼意思？
繼續給小鋼炮看一眼“拳頭”，併發問：
如何在遊戲中贏我？
小鋼炮思考片刻後，給出了正確答案：
要在遊戲中獲勝，另一玩家需要出布。
值得一提的是，從上面的演示中，我們可以看到小鋼炮在處理過程中是有一段時間的延遲。
現場也有人調侃說“我看這個影片演示沒有加美顏”（指加速處理）。
對此，面壁智慧聯合創始人、清華大學副教授劉知遠回答說：
沒錯，我們不加“美顏”，比較樸實。怎麼做到的？
而且小鋼炮在多模態這塊還是提高的空間的。
整體來看，面壁智慧在技術路線上一直高舉“高效”大旗，主要是從AI的三大要素作為突破口，即算力、演算法和資料。
在算力層面上，面壁智慧認為“Infra是大模型創業護城河”，Infra可以決定一家創業公司的技術上限。
若是沒有一個足夠“能打”的Infra，即使短期內能夠打造較好的模型，但越往後、越深入時會發現很快就會遇到技術瓶頸。
因此，在早年前，團隊便在業內較早地提出了BMTrain，一個分散式的高效訓練框架。
有了它，很深入地最佳化工作就可以快速地結合Infra落地實現。
除此之外，團隊陸續還推出了高效推理框架BMInf、高效壓縮框架BMCook，以及高效微調框架BMTune等等。
有這些具體的工具，便形成了面壁智慧在算力層面的殺手鐧——面壁ModelForce，全流程最佳化加速套件平臺。
在演算法層面上，面壁智慧在技術發展過程中所積累出來的利器則是面壁模型沙盒（Model Sandbox）。
這實則也是一種方法論，可以將大模型從過去的煉丹形式變成了一種實驗科學。
而在歷經上千次的模型沙盒實驗之後，團隊在演算法中的各種細節上也得到了一系列業界最優配置。
例如最優批次大小（batch size），可以大幅節省大模型訓練時的token量；再如所有尺寸的模型可以透過最優的超引數的配製，保證訓練任意大小的模型取得最好的效果等等。
最後在資料層面上，優秀的資料也決定了大模型最後效能的成敗。
而這次小鋼炮的誕生，面壁智慧僅僅是用了所積累的優質資料中，透過方法論所精選出來的1T。
值得一提的是，為了行業更好的交流和發展，面壁智慧開源了訓練、退火兩個階段來的資料配方來供參考。
除此之外，與小鋼炮相關的更多技術細節以及如何在手機上部署的教程等，均已經在GitHub中開源。
感興趣的小夥伴，可以在文末連結處瞭解更多詳情~
不過最後，還有一個問題值得討論來一波：
大模型，為什麼往“小”了搞？
其實在2023年，在大模型以小博大方面，便已經開始有了苗頭。
最為典型的，就是小鋼炮此次對標的Mistral-7B。
在它剛剛出道之際，便以更小的“姿勢”擊敗了更大體量的Llama2-13B、Llama 1（34B）等一眾大模型。
這就為“比大更大”內卷下的模型圈帶來了一定啟發。
不過在此背後，大模型往“小”了做，所體現的是一種更大的趨勢。
一方面，從大模型從2022年底爆火至今，一個非常明顯的變化就是從專注訓練，逐漸轉向推理。
這是一個技術發展必然的結果，要從比效能和結果，到比誰的大模型更好用；而這個“用”，最好、最直接的體現就應當是在端側誰可以更“多快好省”地執行。
對此，李大海表示：
站在大模型時代之下，我們都在提的一個概念便是“AI原生應用”；這個時代需要的全新作業系統，就是AI原生應用+AI原生硬體。
而其中的AI原生硬體，其實很簡單，就是隻要能在端側執行大模型的硬體就是原生硬體。
因此，端側的大模型就顯得格外重要。
另一方面，市場的表現也是印證大模型往“小”發展的一點。
自從去年7月開始，非常明顯的一點是，眾多主流手機廠商、PC、汽車品牌，陸續在宣佈接入大模型。
手機廠商例如華為、小米、榮耀、OPPO、Vivo、三星等；車企包括小鵬、蔚來、理想、吉利等等。
需求之大，可見一斑。
值得一提的是，從小鋼炮在GitHub開源的內容來看，目前它已經在眾多品牌的老機型上做了部署實驗。
因此，老手機上跑大模型也成為了一種可能。
不過細心的朋友也注意到了，面壁智慧其實從成立至今，也僅有短短一年的時間。
這就不禁讓人發問：一年時間是如何在技術上做到的這般突破？
其實在此背後，更多的是清華系成員們在公司成立之前，長久以來在技術上的積累與跟進。
早在2018年，面壁智慧的核心技術團隊在BERT釋出之後，便聚焦在清華NLP實驗的相關工作，釋出過全球首個知識指導的預訓練模型ERNIE。
隨後在2020年，他們也作為“悟道”大模型首發主力陣容釋出了全球第一個20億級中文開源大模型CPM 1，也持續參與了之後的CPM 2和CPM 3。
除此之外，在2022年，在開源相關工作中，面壁智慧核心成員也參與到了OpenBMB開源社群的成立與運作。
由此可見，面壁智慧的核心技術成員是屬於中國最早進行大模型研究的那一批。
正是基於這樣的技術積累，也就不難理解面壁智慧為何能夠在短短一年時間內交出如此之多的“作業”了：
據瞭解，截至目前，面壁智慧擁有100多人的科研團隊。
雖然平均年齡僅為28歲，但清北含量高達80%，也有來自阿里、位元組、百度等國內外知名大廠的工程團隊。
加上團隊還主打一個“雙CP”組合，即大將裡的“小哥哥”+“小鮮肉”裡的大將，這種經驗與創新的碰撞，或許也是推動發展程序的原動力之一。
誠然，開年小鋼炮的釋出給大模型帶來了不少驚豔，但也正如團隊所說，相關工作還有許多需要改進之處。
因此面壁智慧在接下來的新進展，是值得關注的。
One More Thing
在小鋼炮釋出現場，一張五道口大模型Valley圖格外吸睛。
用李大海的話來說：
這是全中國大模型最密集的地區。
嗯，五道口，不愧是“宇宙中心”。
開源地址（內含技術報告）：
MiniCPM GitHub：
https://github.com/OpenBMB/MiniCPM
OmniLMM GitHub：
https://github.com/OpenBMB/OmniLMM
