云知聲山海大模型各項性能持續(xù)優(yōu)化

云知聲山海大模型正式發(fā)布，交出其在AGI領域的第一份答卷，并進入有序迭代階段。時隔一個月，山海大模型迎來了又一次比較大的升級——各項性能持續(xù)優(yōu)化，且在核心能力上實現(xiàn)三大升級：通過迭代實現(xiàn)了在特定領域內的專業(yè)知識積累，詩詞創(chuàng)作能力、數(shù)學計算能力實現(xiàn)突破。

技術加碼，性能持續(xù)優(yōu)化

01吞吐效率接近理論上限60%

UniScale通過引入全新的Attention高效計算方式和相關底層算子的優(yōu)化來提高浮點運算效率，另外，也進一步優(yōu)化了訓練框架中的通信策略，進一步提升了多機多卡的吞吐效率。UniScale目前在多機多卡大模型訓練計算效率接近理論上限的60%，而當前公開的主流框架訓練效率約45%左右，因此所提方法能夠吞吐量在原有基礎上提升了15個點。在推理部分，通過解碼策略優(yōu)化、量化和高效算子適配，相對原始推理性能翻倍，并適配了不同性能的顯卡推理部署。這意味著訓推一體框架UniScale 具有出色的并行計算能力，能夠同時處理多個任務，大大提高了模型的訓練速度。也表明在相同的時間內，UniScale可以完成更加高效的計算任務，降低推理部署成本。

02微調速度提升15倍

UniScale通過集成QLoRA微調（Dettmers et al., 2023）技術，不僅極大地減少了微調所需的硬件資源，還提高了微調速度。QLoRA是在LoRA微調（Hu et al., 2021）基礎上結合了4位量化、雙量化和統(tǒng)一內存分頁技術，是一種高效的模型參數(shù)微調方法，不僅可以在普通消費級GPU上完成大規(guī)模語言模型的微調，還能夠在較少的迭代次數(shù)內快速收斂。與此同時，我們實現(xiàn)了一種多指令統(tǒng)一微調技術，能夠進一步減少模型的計算和通信開銷，加快微調的速度。我們經過實驗驗證，UniScale在使用QLoRA微調和統(tǒng)一微調技術之后，微調速度提升了約15倍。

這一改進對于微調任務非常重要，特別是當資源有限的情況下在大規(guī)模數(shù)據集上進行微調的場景。傳統(tǒng)的微調方法需要耗費較長的時間來逐步調整模型參數(shù)，而QLoRA微調能夠通過多種量化方法顯著減少顯存占用，大大減少了微調所需的內存，同時性能幾乎與標準微調相當。與此同時，微調后的模型可以直接用于模型部署，符合UniScale訓練與推理一體化的設計理念，這項改進使得UniScale成為一個非常有效的深度學習平臺，提供了更快速、高效的微調實驗方案。

? ?

能力突破，效果加速提升

01醫(yī)療能力超越Med-PaLM 2

山海大模型實現(xiàn)了在特定領域內專業(yè)知識的快速積累，通過語料的不斷迭代升級，專業(yè)能力持續(xù)突破。以醫(yī)療領域為例，山海大模型學習了大量教材、百科等高質量醫(yī)學文獻，使其能夠提供更加全面、專業(yè)的醫(yī)療信息支持。在擴展了醫(yī)療大模型的領域知識的同時，山海大模型仍舊保持原有的高性能、高準確率等特點。醫(yī)療大模型的改進為醫(yī)生們提供更強大的支持和指導，以提高醫(yī)療效果。目前該模型在MedQA任務上提升到了87.1%，超越Med-PaLM 2，臨床執(zhí)業(yè)醫(yī)師資格考試提升到了523（總分600分），超過了99%的考生水平。

02詩詞創(chuàng)作能力升級

在詩詞創(chuàng)作方面上，山海大模型不僅在預訓練階段增加了7萬多首古詩詞數(shù)據，補充詩詞相關的知識，在指令學習階段，也精心設計近40種不同的指令，基本覆蓋日常對詩詞數(shù)據相關知識考察的內容，充分發(fā)掘大模型的潛力，進一步提升創(chuàng)作能力。通過指令學習的方法，山海大模型學會了運用類似的修辭手法和表達方式，使其創(chuàng)作效果更富詩意、更具情感溫度。不僅如此，山海大模型還能夠根據主題和情感要求進行定制化創(chuàng)作——這一突破不僅得益于詩詞相關的指令學習數(shù)據的引入，也歸功于山海大模型自身強大的計算和學習能力。

03數(shù)學能力提升

山海大模型的數(shù)學計算能力主要依賴預訓練階段扎實、系統(tǒng)的數(shù)學理論體系和指令學習階段基于插件的具體題型的求解能力。為了進一步提升山海大模型的數(shù)學能力，我們主要針對以下兩方面進行優(yōu)化：

a) 我們在預訓練階段提供人工和模型精心挑選的高質量預訓練數(shù)據，其中包括從小學到大學所有數(shù)學學科的教材、練習冊等，通過這些數(shù)據的學習，模型就具備了系統(tǒng)的數(shù)學理論體系和解決各種數(shù)學問題的基礎。

b) 基于 react 思想的指令學習是大模型數(shù)學能力的必要步驟。在此階段，對每一種題型，我們給出具體的解題思路，包括 reasoning and acting，教會大模型解決各種問題的能力。解題過程中，為了解決大模型無法做精確數(shù)值計算的問題，將數(shù)值運算移交給插件完成，插件完成數(shù)值計算或者方程求解之后，將答案返回大模型，大模型繼續(xù)問題求解，直到給出最終答案。

從5月24日正式發(fā)布以來，山海大模型始終在不斷訓練、調優(yōu)，致力通過自身不斷的迭代進化兌現(xiàn)AI應用價值；保持高速演進的同時，也在探索與具體場景深度融合的更多可能。

目前，云知聲山海大模型已深入到智慧醫(yī)療、智慧教育、知識管理、智慧營銷、智能客服等具體場景中，基于山海大模型打造的場景應用正不斷豐富、不斷拓展。

7月6日-7月8日，云知聲將攜山海大模型及其醫(yī)療、銀行、車載、客服等最新場景應用亮相2023世界人工智能大會，歡迎大家屆時蒞臨云知聲展位參觀交流。

從能力升級到場景應用，基于多年技術積累，云知聲正加速推進山海大模型的迭代演變。未來山海會有怎樣的驚喜和亮點，值得你的期待。
責任編輯：彭菁