編者按：本文來(lái)自微信公眾號(hào) 新智元 （ID:AI_era），作者：新智元，編輯：編輯部，創(chuàng)業(yè)邦經(jīng)授權(quán)發(fā)布。

在GPT-4發(fā)布后，整個(gè)OpenAI團(tuán)隊(duì)對(duì)GPT-4的幾乎所有信息都守口如瓶。

不過(guò)就在最近，OpenAI的GPT-4被業(yè)內(nèi)人士“開(kāi)源”了。SemiAnalysis的兩位名叫Dylan Patel和Gerald Wong的撰稿人，發(fā)表了一篇題為《GPT-4 Architecture, Infrastructure, Training Dataset, Costs, Vision, MoE》的文章，曝光了GPT-4從模型架構(gòu)、模型訓(xùn)練到成本的所有細(xì)節(jié)。

文章中詳細(xì)介紹了GPT-4的架構(gòu)、訓(xùn)練和推理的基礎(chǔ)設(shè)施、參數(shù)量、訓(xùn)練數(shù)據(jù)集、token數(shù)、成本、混合專家模型（Mixture of Experts，MoE）等非常具體的參數(shù)和信息。

在爆料文章作者看來(lái)，OpenAI之所以不open，不是為了確保人類不被AI毀滅，而是因?yàn)樗麄儤?gòu)建的東西是可復(fù)制的。

他甚至預(yù)計(jì)，未來(lái)所有中國(guó)和美國(guó)的互聯(lián)網(wǎng)大廠或者AI頭部初創(chuàng)企業(yè)，都會(huì)有能力構(gòu)建出和GPT-4一樣，甚至是超過(guò)GPT-4的模型。以下，Enjoy:

OpenAI的GPT-4又被業(yè)內(nèi)人士「開(kāi)源」了！

其中包括GPT-4的架構(gòu)、訓(xùn)練和推理的基礎(chǔ)設(shè)施、參數(shù)量、訓(xùn)練數(shù)據(jù)集、token數(shù)、成本、混合專家模型（Mixture of Experts，MoE）等非常具體的參數(shù)和信息。

尤其是，在不同工程背后，OpenAI究竟是怎樣權(quán)衡的。以及在巨型模型推理時(shí)，如何跨越其中最大的瓶頸。

如此重磅的爆料，出自何許人也？

文章作者，是SemiAnalysis的兩位名叫Dylan Patel和Gerald Wong的撰稿人。

值得一提的是，此前曾在業(yè)內(nèi)引起軒然大波的谷歌內(nèi)部文件泄漏事件（「我們沒(méi)有護(hù)城河，OpenAI也沒(méi)有」），作者之一同樣是Dylan Patel。

而DeepMind CEO Hassabis近日在外媒The Verge的采訪中，確認(rèn)了這份谷歌工程師泄漏文件的真實(shí)性。

可見(jiàn)，Dylan Patel的確有一些特殊渠道，這就讓今日這份爆料的真實(shí)性又提高了幾分。

出門問(wèn)問(wèn)CEO李志飛對(duì)此也發(fā)表了感言

很多企業(yè)都能做出GPT-4

在爆料文章作者看來(lái)，OpenAI之所以不open，不是為了確保人類不被AI毀滅，而是因?yàn)樗麄儤?gòu)建的東西是可復(fù)制的。

他甚至預(yù)計(jì)，未來(lái)所有中國(guó)和美國(guó)的互聯(lián)網(wǎng)大廠或者AI頭部初創(chuàng)企業(yè)，都會(huì)有能力構(gòu)建出和GPT-4一樣，甚至是超過(guò)GPT-4的模型。

但他同時(shí)也承認(rèn)，GPT-4是OpenAI的偉大杰作。它凝結(jié)了工程師的匠心設(shè)計(jì)，復(fù)雜的構(gòu)架和各種巧妙的工程上的取舍。

而OpenAI最持久的護(hù)城河，是他們擁有真實(shí)用戶的使用反饋，業(yè)內(nèi)最知名的工程人才，以及先發(fā)優(yōu)勢(shì)帶來(lái)的持續(xù)突出地位。

模型框架

首先爆料作者認(rèn)為，GPT-4在120層中總共包含了1.8萬(wàn)億參數(shù)，而GPT-3只有約1750億個(gè)參數(shù)。

也就是說(shuō)，GPT-4的規(guī)模是GPT-3的10倍以上。

此前網(wǎng)上流傳的說(shuō)法是，GPT-4的參數(shù)是100萬(wàn)億，但已被辟謠

為了保持合理的成本，OpenAI采用了MoE模型來(lái)進(jìn)行構(gòu)建。

具體而言，GPT-4擁有16個(gè)專家模型，每個(gè)MLP專家大約有1110億個(gè)參數(shù)。其中，有兩個(gè)專家模型被用于前向傳播。

雖然文獻(xiàn)中大量討論了選擇每個(gè)token指向哪些專家的高級(jí)算法，但是據(jù)說(shuō)，OpenAI用于GPT-4的算法，其實(shí)非常簡(jiǎn)單。

此外，模型中還有大約550億個(gè)參數(shù)，被用做注意力機(jī)制的共享。

在每次的前向傳播推理（生成一個(gè)token）中，GPT-4只需要使用大約2800億參數(shù)和560TFLOPs。

這與很多純密集模型每次前向傳播需要大約1.8萬(wàn)億參數(shù)和3700TFLOPs形成了鮮明的對(duì)比。

數(shù)據(jù)集的構(gòu)成

OpenAI用13萬(wàn)億的token訓(xùn)練出了GPT-4。

這個(gè)數(shù)據(jù)集不單單是包含了13萬(wàn)億的token，而且因?yàn)闆](méi)有高質(zhì)量的token，這個(gè)數(shù)據(jù)集還包含了許多個(gè)epoch。

在Scale AI和數(shù)據(jù)集內(nèi)部，還包含了數(shù)百萬(wàn)行的指令微調(diào)數(shù)據(jù)。

不過(guò)爆料作者說(shuō)，在這些RLHF數(shù)據(jù)上，他們并沒(méi)有找到太多信息。

在預(yù)訓(xùn)練階段的上下文長(zhǎng)度達(dá)到了8K（seqlen），而32k的版本是基于預(yù)訓(xùn)練后的8K版本微調(diào)而來(lái)的。

批大小在集群中是幾天之內(nèi)逐漸增加的，最終OpenAI使用的批大小為6000萬(wàn)。

當(dāng)然，這「只是」每個(gè)750萬(wàn)token的專家模型的大小，因?yàn)椴皇敲總€(gè)專家模型都會(huì)看到全部的token。

并行策略

并行策略對(duì)于A100GPU是相當(dāng)重要的。

OpenAI采用了8路張量并行，因?yàn)镹VLink最高只支持這么多。

但除此之外，爆料作者聽(tīng)說(shuō)OpenAI采用15路并行管線。

理論上，考慮到數(shù)據(jù)通信和計(jì)算時(shí)間，15個(gè)管線就有些多了。

但是因?yàn)槭艿絻?nèi)存容量的限制，這么多的管線就是有意義的了。

當(dāng)純管線和張量并行時(shí)，每個(gè)GPU的FP16參數(shù)大約是30GB。

但是一旦加上了KV緩存和成本，如果OpenAI使用的GPU大部分是40GB的A100，那這樣的構(gòu)架在理論上就是有意義的。

可能OpenAI使用的是ZeRo Stage 1，并且可能使用的是塊級(jí)FSDP或者是混合共享數(shù)據(jù)并行。

為什么他們沒(méi)有使用FSDP的全模型呢？可能是因?yàn)檫^(guò)高的通信成本。

雖然OpenAI大多數(shù)節(jié)點(diǎn)之間都有高速網(wǎng)絡(luò)，但是沒(méi)有覆蓋所有的節(jié)點(diǎn)。

其中，至少有一些集群的連接帶寬會(huì)比其他的集群低很多。

但是作者表示，他并不是太明白OpenAI在如此高的管線并行度下，如何避免在每批中產(chǎn)生如下圖這樣的「泡泡」（huge bubbles），很有可能OpenAI就是生生地抗下了這些成本。

訓(xùn)練成本

OpenAI訓(xùn)練GPT-4的FLOPS約為2.15e25，在大約25000個(gè)A100上訓(xùn)練了90到100天，利用率在32%到36%之間。

這種極低的利用率，部分原因是故障數(shù)量過(guò)多，這就會(huì)導(dǎo)致需要重新從之前的檢查點(diǎn)開(kāi)始訓(xùn)練。比如上面提到的氣泡成本。

這種情況浪費(fèi)的訓(xùn)練成本極高。

另一個(gè)原因是這么多GPU之間的all-reduce非常昂貴。

此圖表假設(shè)，無(wú)法融合每個(gè)操作、注意力機(jī)制所需的內(nèi)存帶寬、硬件開(kāi)銷相當(dāng)于參數(shù)讀取，都會(huì)導(dǎo)致效率低下。實(shí)際上，即使使用優(yōu)化的庫(kù)，比如英偉達(dá)的FasterTransformrmer庫(kù)，總開(kāi)銷甚至還會(huì)更大

爆料作者懷疑，如果這種集群實(shí)際上是一群具有較弱網(wǎng)絡(luò)連接的較小集群構(gòu)成的，那么集群不同部分之間的非阻斷（non-block）連接速度為800G/1.6T，但這些部分之間的連接速度僅為200G/400G。

如果OpenAI云計(jì)算的成本是差不多1美元/每A100小時(shí)的話，那么在這樣的條件下，訓(xùn)練成本大約是6300萬(wàn)美元。

這還不包括所有的實(shí)驗(yàn)、失敗的訓(xùn)練和其他成本，比如數(shù)據(jù)收集、RLHF、人力成本等。

如果考慮到剛剛說(shuō)的這些因素，真實(shí)成本要高得多的多。

此外，這還得是在能別人買得到芯片/網(wǎng)絡(luò)/數(shù)據(jù)中心，承擔(dān)資本支出組建了這些系統(tǒng)，并將它們租給OpenAI的前提下。

但是放到今天，在2美元/每H100小時(shí)的條件下，預(yù)訓(xùn)練可以在大約8,192個(gè)H100上進(jìn)行，只需要55天，費(fèi)用為2150萬(wàn)美元。

上圖顯示了一些已公開(kāi)的先進(jìn)模型各自的參數(shù)數(shù)量和token。圖中的線是谷歌DeepMind的Chinchilla縮放觀測(cè)值（平滑了較大的誤差條），線上的每一點(diǎn)都顯示了使用該參數(shù)和token數(shù)訓(xùn)練模型所需的理論FLOPS

不過(guò)，爆料作者稱到今年年底，至少將會(huì)有9個(gè)公司擁有超過(guò)上述大小的H100集群。

雖然并非所有這些公司都會(huì)將它們?nèi)坑糜趩蝹€(gè)模型訓(xùn)練，但如果有公司這樣做的話，他們將擁有比GPT-4更大的模型。

比如Meta到今年年底將擁有超過(guò)100,000個(gè)H100，但其中相當(dāng)一部分將分布在自己的數(shù)據(jù)中心進(jìn)行推理。

但是它最大的單個(gè)集群仍將超過(guò)25,000個(gè)H100。

總之，到今年年底，許多公司都會(huì)擁有足夠的算力資源，來(lái)訓(xùn)練GPT-4大小的模型。

本表是在英偉達(dá)A100上訓(xùn)練模型的理論最佳成本，沒(méi)有考慮所需的人力、ML Ops工具、數(shù)據(jù)收集/預(yù)處理、故障恢復(fù)、one-shot/few-shot學(xué)習(xí)示例、推理等，許多部分的成本高得驚人

混合專家模型方面的權(quán)衡

MoE（混合專家模型）是一種在推理過(guò)程中減少參數(shù)量的很好方法，雖然同時(shí)會(huì)增加參數(shù)量。

但是這對(duì)于每個(gè)訓(xùn)練標(biāo)記來(lái)編碼更多信息是必要的，因?yàn)楂@取足夠高質(zhì)量的標(biāo)記非常困難。

如果OpenAI真的想追求最佳性能，他們需要訓(xùn)練兩倍的token才能達(dá)到。

話雖如此，OpenAI還是做出了不少的取舍。

例如，在推理過(guò)程中處理MoE非常困難，因?yàn)槟Ｐ偷拿總€(gè)部分并不在每個(gè)token生成時(shí)都被使用。

這意味著有些部分可能處于休眠狀態(tài)，而其他部分在工作。

當(dāng)為用戶提供服務(wù)時(shí)，這種情況會(huì)大大降低利用率。

研究人員已經(jīng)證明，使用64-128個(gè)專家模型比使用16個(gè)專家模型能夠獲得更好的損失情況，但這僅僅是研究結(jié)果。

采用相對(duì)比較少的專家模型的原因很多，OpenAI選擇16個(gè)專家的原因之一是因?yàn)樵谠S多任務(wù)上更多的專家模型很難泛化。

使用更多的專家模型也更難實(shí)現(xiàn)收斂。

在如此龐大的訓(xùn)練過(guò)程中，OpenAI選擇在專家模型數(shù)量上反而更為保守。

此外，使用較少的專家模型還有助于他們的推理基礎(chǔ)架構(gòu)。在切換到混合專家模型推理架構(gòu)時(shí)，存在各種困難的取舍和權(quán)衡。

爆料作者從對(duì)LLM推理的基本取舍開(kāi)始討論，然后再討論OpenAI面臨的問(wèn)題和他們所做的選擇。

推理權(quán)衡

在介紹推理權(quán)衡之前，順帶提一下，爆料者與所有的LLM公司交談過(guò)后，發(fā)現(xiàn)英偉達(dá)的FasterTransformer推理庫(kù)非常糟糕，TensorRT更是如此。

這意味著，如果英偉達(dá)不修改，人們還需要從頭開(kāi)始創(chuàng)建自己的解決方案。

推理大型語(yǔ)言模型有三個(gè)主要的權(quán)衡，即批大小（同時(shí)處理用戶數(shù)）維度和使用的芯片數(shù)量，具體如下：

1. 延遲

模型必須在合理的延遲時(shí)間內(nèi)做出響應(yīng)。誰(shuí)也不想在聊天APP中等待幾秒鐘才開(kāi)始收到輸出。預(yù)填（輸入token）和解碼（輸出token）的處理時(shí)間各不相同。

2. 吞吐量

模型必須以每秒輸出一定數(shù)量的token。人類大約需要每秒30個(gè)token。對(duì)于其他各種用例，較低和較高的吞吐量都可以接受。

3. 利用率

運(yùn)行模型的硬件必須實(shí)現(xiàn)高利用率，否則成本過(guò)高。雖然更高的延遲和較低的吞吐量，可以用來(lái)將更多用戶請(qǐng)求組合在一起，從而實(shí)現(xiàn)更高的利用率，但也會(huì)增加難度。

LLM推理的關(guān)鍵是平衡內(nèi)存帶寬和計(jì)算這兩個(gè)要點(diǎn)。

LLM理論帶寬要求：經(jīng)假設(shè)可得出，在iPhone 14上可跑的最大模型大小為~10億個(gè)FP16參數(shù)，或~40億個(gè)int4參數(shù)，這是基于智能手機(jī)的LLM的基本限制，任何更大的模型會(huì)無(wú)法被采用

簡(jiǎn)單來(lái)講，每個(gè)參數(shù)都必須被讀取，并且與之相關(guān)的有2個(gè)FLOP。

因此，大多數(shù)芯片的比率（H100 SXM僅有3TB/s內(nèi)存帶寬，但FP8有2,000 TFLOP/s）在批大小為1的推理中完全是不平衡的。

如果只有一個(gè)用戶（批大小為1），那么在每次生成token時(shí)，為了讀取每個(gè)參數(shù)所需的內(nèi)存帶寬，會(huì)主要占據(jù)推理時(shí)間，而計(jì)算時(shí)間幾乎可以忽略不計(jì)。

為了將大型語(yǔ)言模型高效地?cái)U(kuò)展到多個(gè)用戶，批處理大小必須超過(guò)1。多個(gè)用戶將參數(shù)讀取成本分?jǐn)偂＠?，在批大小?56/512時(shí)，每個(gè)字節(jié)的內(nèi)存讀取可以獲得512 FLOP/s或1024 FLOP/s。

這個(gè)比率更接近H100的內(nèi)存帶寬與FLOPS之間的平衡。這有助于實(shí)現(xiàn)更高的利用率，但代價(jià)是更高的延遲。

很多人認(rèn)為內(nèi)存容量是LLM推理的一個(gè)主要瓶頸，因?yàn)榇笮湍Ｐ托枰鄠€(gè)芯片進(jìn)行推理，而較高的內(nèi)存容量意味著它們可以適應(yīng)較少的芯片。

然而，實(shí)際上更好的方法是使用更多的芯片，以便將延遲降低，增加吞吐量，并且可以使用更大的批大小以實(shí)現(xiàn)更高的利用率。

GPT-4推理權(quán)衡和基礎(chǔ)設(shè)施

以上所提到的，對(duì)GPT-4推理來(lái)說(shuō)非常困難。但是作為一個(gè)MoE模型，再次引入了一系列全新的困難。

每個(gè)生成token的前向傳遞可以路由到不同的專家組。這對(duì)在較大的批大小下的吞吐量、延遲和利用率之間的權(quán)衡造成了困擾。

OpenAI的GPT-4有16個(gè)專家，每個(gè)前向傳遞路由到其中2個(gè)專家。

這意味著如果批大小為8，每個(gè)專家的參數(shù)讀取可能只有批大小為1。

更糟糕的是，這可能意味著一個(gè)專家的批大小為8，而其他專家的批大小為4、1或0。

每個(gè)生成token，路由算法都會(huì)將前向傳遞發(fā)送到不同的方向，導(dǎo)致token之間的延遲和專家批大小顯著變化。

推理基礎(chǔ)設(shè)施是OpenAI選擇較少數(shù)量的專家的主要原因之一。如果他們選擇更多的專家，內(nèi)存帶寬會(huì)成為推理的瓶頸。

OpenAI的推理集群通?？梢赃_(dá)到4k+的批大小，這意味著即使在專家之間實(shí)現(xiàn)最佳的load平衡，專家的批大小也只有大約500左右。這需要非常大量的使用才能實(shí)現(xiàn)。

爆料者稱，我們了解到OpenAI在一個(gè)由128個(gè)GPU組成的集群上進(jìn)行推理。他們?cè)诙鄠€(gè)數(shù)據(jù)中心和地理位置上都有多個(gè)這樣的集群。

推理采用8路張量并行和16路管線并行。每個(gè)由8個(gè)GPU組成的節(jié)點(diǎn)只有約130B的參數(shù)，或者在FP16下每個(gè)GPU不到30GB，在FP8/int8下不到15GB。

這樣可以在40GB的A100上運(yùn)行推理，只要所有批的KV緩存大小不會(huì)過(guò)大。

不同節(jié)點(diǎn)上的包含不同專家的層不會(huì)被分割，因?yàn)槟菢訒?huì)導(dǎo)致網(wǎng)絡(luò)流量過(guò)于不規(guī)則，而在每個(gè)生成token之間重新計(jì)算KV緩存的代價(jià)太高。

對(duì)于未來(lái)的MoE模型擴(kuò)展和條件路由，最大的困難是如何處理KV緩存的路由。

模型的層數(shù)為120，所以可以簡(jiǎn)單地將它們分配給15個(gè)不同的節(jié)點(diǎn)，但是因?yàn)榈谝粋€(gè)節(jié)點(diǎn)需要進(jìn)行數(shù)據(jù)加載和嵌入，所以在推理集群的主節(jié)點(diǎn)上放置較少的層是有意義的。

此外，有一些關(guān)于「推測(cè)解碼」（后續(xù)）的傳聞，這也解釋了為什么主節(jié)點(diǎn)需要包含較少的層。

推理成本

與擁有1750億參數(shù)的Davinchi模型相比，GPT-4的成本是其3倍，盡管其前饋參數(shù)只增加了1.6倍。

這主要是因?yàn)镚PT-4需要更大的集群，并且實(shí)現(xiàn)的利用率更低。

作者認(rèn)為，在128個(gè)A100上推理GPT-4的8k序列長(zhǎng)度每1,000個(gè)標(biāo)記的成本為0.0049美元，而在128個(gè)H100上推理GPT-4的8k序列長(zhǎng)度每1,000個(gè)標(biāo)記的成本為0.0021美元。

需要注意的是，這是假設(shè)有相當(dāng)高的利用率，并保持較高批大小的情況下。

但很明顯，OpenAI有時(shí)的利用率非常低。

對(duì)此作者假設(shè)，OpenAI會(huì)在低峰時(shí)段關(guān)閉集群，重新配置節(jié)點(diǎn)，恢復(fù)訓(xùn)練較小的測(cè)試模型，并嘗試各種新技術(shù)，從而降低推理成本。

如果OpenAI不這樣做，他們的利用率會(huì)更低，而成本也將增加一倍以上。

多查詢注意力

除此之外，OpenAI也在使用多查詢注意力（Multi-Query Attention，MQA）。

論文地址：https://arxiv.org/pdf/1911.02150.pdf

簡(jiǎn)而言之，只需要一個(gè)注意力頭，并且可以顯著減少KV緩存的內(nèi)存占用。

即便如此，32k長(zhǎng)度的GPT-4肯定無(wú)法在40GB的A100上運(yùn)行，而8k的最大批大小也有上限。

連續(xù)批處理

OpenAI實(shí)現(xiàn)了可變批大小和連續(xù)批處理。

這樣做可以允許一定程度的最大延遲，并優(yōu)化推理成本。

推測(cè)解碼（Speculative Decoding）

爆料稱，OpenAI在GPT-4的推理過(guò)程中使用了「推測(cè)解碼」，這其中還有100%的不確定性。

token到token的延遲變化，以及在進(jìn)行簡(jiǎn)單的檢索任務(wù)和更復(fù)雜的任務(wù)時(shí)差異，似乎表明這一點(diǎn)是可能的，不過(guò)還是有太多的變量無(wú)法確定。

在此，爆料者通過(guò)DeepMind的一項(xiàng)研究「Accelerating LLM Inference with Staged Speculative Decoding」中的文本，進(jìn)行了適當(dāng)修改/添加一些細(xì)節(jié)，進(jìn)行了解釋。

使用LLM通常分為兩個(gè)階段。

首先是預(yù)填充（prefill），將提示文本輸入模型中以生成KV緩存和第一個(gè)輸出的對(duì)數(shù)幾率（可能的token輸出的概率分布）。這個(gè)過(guò)程通常很快，因?yàn)檎麄€(gè)提示文本可以并行處理。

第二個(gè)階段是解碼（decoding）。從輸出的對(duì)數(shù)幾率中選擇一個(gè)token，并將其反饋到模型中，模型將生成下一個(gè)token的對(duì)數(shù)幾率。重復(fù)這個(gè)過(guò)程，直到生成所需數(shù)量的token。

由于解碼必須按順序進(jìn)行，每次都需要將權(quán)重流通過(guò)計(jì)算單元以生成單個(gè)token。因此當(dāng)以小量批運(yùn)行時(shí)，這個(gè)第二階段的計(jì)算密集度（即計(jì)算FLOP/內(nèi)存帶寬的字節(jié)數(shù)）非常低。因此，解碼通常是自回歸生成中最昂貴的部分。

這就是為什么OpenAI的API調(diào)用中，輸入token比輸出token便宜得多的原因。

「推測(cè)解碼」的基本思想是使用一個(gè)更小、更快的草案模型提前解碼多個(gè)token，然后將它們作為一個(gè)批輸入到預(yù)測(cè)模型中。

如果草案模型的預(yù)測(cè)是正確的，即更大的模型也同意這些預(yù)測(cè)，那么可以使用單個(gè)批解碼多個(gè)token，這樣可以節(jié)省大量的內(nèi)存帶寬和時(shí)間。

然而，如果更大的模型拒絕了草案模型預(yù)測(cè)的token，則剩余的批將被丟棄，算法自然會(huì)恢復(fù)到標(biāo)準(zhǔn)的逐個(gè)token解碼。

「推測(cè)解碼」可能還伴隨著拒絕抽樣的方案，以從原始分布中進(jìn)行采樣。值得注意的是，這僅在帶寬是瓶頸的小批設(shè)置中有用。

「推測(cè)解碼」以計(jì)算換取帶寬，而成為一個(gè)有吸引力的性能工程目標(biāo)有兩個(gè)關(guān)鍵原因：

首先，它不會(huì)降低模型質(zhì)量。其次，它提供的性能改進(jìn)通常與其他方法正交，因?yàn)槠湫阅軄?lái)自于將「順序執(zhí)行」轉(zhuǎn)換為「并行執(zhí)行」。

當(dāng)前的推測(cè)方法為批預(yù)測(cè)的單獨(dú)序列。然而，這種方法不能很好地拓展到大量的批，或低草案模型對(duì)齊上。

直觀地說(shuō)，兩個(gè)模型在連續(xù)長(zhǎng)序列的token上達(dá)成一致的概率呈指數(shù)級(jí)低，這意味著隨著算術(shù)密度的增加，推測(cè)解碼的收益會(huì)迅速減少。

爆料者認(rèn)為，如果OpenAI使用「推測(cè)解碼」，他們可能只在大約4個(gè)token的序列中使用。

順便提一句，有關(guān)OpenAI閹割，而導(dǎo)致GPT-4質(zhì)量降低的整個(gè)陰謀，可能只是因?yàn)樗麄冏岊A(yù)測(cè)模型接受了「推測(cè)解碼」模型的低概率序列。

另外有人推測(cè)，Bard也使用了「推測(cè)解碼」，因?yàn)楣雀柙趯⒄麄€(gè)序列發(fā)送給用戶之前會(huì)等待其完全生成，但在爆料者認(rèn)為，這種猜測(cè)是完全不正確的。

視覺(jué)多模態(tài)

視覺(jué)多模態(tài)能力是GPT-4中最不令人印象深刻的部分，至少與突出的研究相比是如此。

當(dāng)然，現(xiàn)在還沒(méi)有人將多模態(tài)LLM的研究成果商業(yè)化。

爆料者稱，它是一個(gè)獨(dú)于文本編碼器的視覺(jué)編碼器，還有交叉注意力，架構(gòu)類似于Flamingo，并在GPT-4 1.8T上增加了更多參數(shù)。

GPT-4多模態(tài)能力是在文本預(yù)訓(xùn)練之后，又用大約2萬(wàn)億token進(jìn)行了微調(diào)。

據(jù)稱，在視覺(jué)模型上，OpenAI原本希望從頭開(kāi)始訓(xùn)練，但因其不夠成熟，無(wú)奈從文本訓(xùn)練模型進(jìn)行微調(diào)。

而下一代模型GPT-5，其訓(xùn)練應(yīng)該從零開(kāi)始訓(xùn)練視覺(jué)模型，并且能夠生成圖像，甚至生成音頻。

這樣的視覺(jué)能力主要目的之一，讓自主智能體能夠閱讀網(wǎng)頁(yè)，并轉(zhuǎn)錄圖像，視頻中的內(nèi)容。

值得一提的是，OpenAI用來(lái)訓(xùn)練多模態(tài)模型的數(shù)據(jù)包括：「聯(lián)合數(shù)據(jù)」（LaTeX/文本）、網(wǎng)頁(yè)屏幕截圖、YouTube視頻（采樣幀，以及運(yùn)行Whisper獲取字幕）。

關(guān)于LLM的過(guò)度優(yōu)化，一個(gè)有趣的事實(shí)是視覺(jué)模型的IO成本不同于文本模型。在視覺(jué)模型中，數(shù)據(jù)加載IO大約是文本模型的150倍。

視覺(jué)模型的IO成本很低

視覺(jué)模型中的每個(gè)token 600字節(jié)，文本是4字節(jié)/token。

因此這需要在圖像壓縮方面做很多工作。這對(duì)于硬件供應(yīng)商來(lái)說(shuō)極為重要，因?yàn)樗麄冋趪@LLM的用例和比率優(yōu)化2-3年后的硬件。

他們可能會(huì)發(fā)現(xiàn)自己身處的世界中，每個(gè)模型都具有強(qiáng)大的視覺(jué)和音頻功能。

他們可能會(huì)發(fā)現(xiàn)自己的架構(gòu)適應(yīng)性會(huì)很差。

總的來(lái)說(shuō)，架構(gòu)肯定會(huì)超越我們今天看到的基于文本簡(jiǎn)化的密集模型，和MoE模型。

本文為專欄作者授權(quán)創(chuàng)業(yè)邦發(fā)表，版權(quán)歸原作者所有。文章系作者個(gè)人觀點(diǎn)，不代表創(chuàng)業(yè)邦立場(chǎng)，轉(zhuǎn)載請(qǐng)聯(lián)系原作者。如有任何疑問(wèn)，請(qǐng)聯(lián)系editor@cyzone.cn。