克雷西 发自 凹非寺量子位 | 公众号 QbitAI
每个token只需要5.28%的算力，精度就能全面对标Llama 3。
开源大模型，再添一位重量级选手——
来自浪潮信息的32专家MoE模型，源2.0-M32。
不仅拥有极高的回报投入比，而且全面开放，训练代码和模型权重都可任意下载，商业使用也免费、无需授权。
那么，这到底是怎样的一款模型？
1/19算力消耗，性能对标Llama 3
首先了解一下模型的基本信息，源2.0-M32模型采用MoE架构，专家数量为32，总参数量40B，激活专家数为2，激活参数量3.7B。
精度上，源2.0-M32在多个测评数据集上全面对标Llama3（70B，以下同），在MATH（数学竞赛）和ARC-C（科学推理）榜单还上超越了Llama3。
![]()
举个例子，在求解一道中文数学题目时，源2.0-M32能够用中文进行完整、准确作答，而Llama3虽然能理解中文题目，但回答时还是用了英文。
而且看一下Llama3的答案，虽然前面的过程也没什么问题，但最终得到的结果错得离谱，硬生生把一堆整数的和算出了小数点。
![]()
在实现与业界领先开源大模型性能相当的同时，在模型的训练、推理和微调过程中，源2.0-M32的资源消耗也都显著更低。
在训练阶段，使用2万亿token对源2.0-M32进行预训练，计算量只有同参数规模稠密模型的9.25%。
![]()
在推理阶段，在达到相当精度的条件下，源2.0-M32平均每个token消耗的算力为7.4GFLOPS，Llama3则需要140GFLOPS，前者的消耗仅为后者的1/19，即5.28%。
换言之，源2.0-M32每Token算力下的平均精度是Llama3的18.8倍，拥有更高的模算效率。
微调上，使用1万条平均长度为1024 token的数据进行微调，Llama3-70B消耗为0.05PD（PetaFLOPs/s-Day），源2.0-M32只用0.0026PD，仅为Llama3的5.2%。
当然不得不说的是，虽然源2.0-M32的微调消耗已经降低到了Llama3的5.2%，但微调本身对于一些用户来说就是无法负担的成本。
而得益于源2.0-M32强大的少样本学习能力，让用户即使没有条件进行微调，也能快速构建大模型应用。
以代码生成为例，仅需很少量的样本引导，源2.0-M32在HumanEval上获得的精度就能从74.4提升到78.1，增幅达到了4.97%。
![]()
浪潮信息提供了预训练、微调和推理服务脚本，开发人员可以高效完成部署。
模型部署可端可云，可以在自有的云服务上部署，也可以在浪潮信息推出的企业大模型开发平台EPAI中快速构建，还可以通过浪潮信息开源的本地大模型对话工具YuanChat，在PC端完成快速部署。
而且源2.0-M32模型激活参数量仅3.7B，算力需求只有2B模型（单专家）的1点多倍，用笔记本就能带动。
总之，浪潮信息始终追求更高效的智能涌现——本次发布“源2.0-M32”大模型，就是希望资源有限的条件下，实现能耗更低、推理和训练效果更优的大模型开发。
那么，浪潮信息是如何实现用更少的算力开销，对标行业领先模型的呢？
算法、算力、数据的全面创新
自浪潮信息涉足AI领域以来，一直将“算法、算力、数据”视为AI应用的“三驾马车”。
实际上，整个“源”系列大模型的研发过程亦是如此，所有的相关研究，都是围绕着这三个维度展开的。
在算法上，源2.0-M32选择了MoE架构，解决了稠密模型训练成本过高、数据和算力不足的问题。
从Llama1（65B）、Llama2（70B）到Llama3（70B）的迭代过程可以看出，三代模型的参数量接近，但随着训练Token数从1.4T增加到了15T，模型表现也随之显著提升。
![]()
△数据来自Llama1与Llama2的论文
大模型的扩展率揭示出：增大模型的参数量与增大训练的token数对模型能力提升的作用类似，如果按照Llama3的训练数据量（15T tokens）外推，500B参数的模型若想充分的训练，所需的高质量文本token数高达107T，已经远远超过了当前业界已知的数据量。
退一步讲，即使真的有这么多数据，训练过程所需的算力投入同样无法承受。
按照计算，如果用107T训练token训一个500B参数规模的Dense模型，需要的算力是321000Z（10^21）Flops。
即使在2万颗加速卡的集群上，训练效率按40%来算（实际还不一定能达到），也需要耗时464天，单是电费就要花费约3亿元。
相比之下，MoE模型的一个显著优势就是，能够在远少于稠密模型所需的计算资源下，进行有效的预训练。
同时，源2.0-M32没有采用Mixtral等MoE模型中更常见的8专家结构，而是将专家数量设定为了32，运行时只激活两个专家。
![]()
这一参数的选择，是研发团队进行了大量的实验调优之后确定的。
浪潮信息人工智能首席科学家吴韶华介绍说，模算效率是浪潮信息设计自己的大模型时的核心出发点，在提升模型能力的同时，尽可能降低算力开销。
业界中像Mixtral这样的模型，获得更高精度的方式是固定专家数量，增加单个专家的参数量，但源2.0-M32则反其道而行之。
吴韶华介绍，在研发团队的实验中，随着专家数量从8个专家增加到32个专家，在模型精度上取得了非常不错的回报。
但即使总的专家数量增加到了32个，激活的专家依然只有两个。在这种情况下，激活参数量不变，算力开销不变。
至于源2.0-M32中的单个专家，则是选用了源2.0-2B模型，这样做的考量是控制单个专家的参数量不至于过大，以便在企业场景应用中可以有更好的模算效率。
除了在专家数量的设置上另辟蹊径，团队也对源2.0-M32的门控网络进行了全新设计，采用了独创的Attention Router门控网络，相比传统的门控网络获得了精度提升。
![]()
当前流行的MoE结构大都采用简单的调度策略，其本质是对token与代表每个专家的特征向量求点积，随后挑选点积结果最大的几个专家。
这种方式只考虑了token和专家的关系，却忽略了专家与专家之间的相关性，但实际过程中往往需要多个专家协同参与计算，如果忽视专家之间相关性，无疑会降低模型的精度。
而源2.0-M32大模型中的Attention Router，就创造了一种专家间协同性的度量方法，解决了传统的门控机制中专家关联性缺失的问题。
具体来说，对于每一个专家，研发团队都构建了3个向量，并利用类似Attention的机制来构建专家之间的关系。最终选择的专家不仅与Token匹配度高，两个专家的协同效果也更好。
此外，源2.0-M32也沿用了源2.0系列中首创的局部注意力过滤增强（LFA）机制，和经典的Llama结构相比，模型在几百亿token数据的训练之后，在100亿token的测试集上做测试，会有3.5%的精度提升。
在数据层面，源2.0-M32一共使用2万亿token进行训练，相比之前的2.0版本大幅提升。
整个训练过程也非常稳定，没有出现数值不稳定或异常的中断的情况，最终训练损失为1.22。
![]()
数据类型上看，源2.0-M32这个模型的2万亿token中，差不多有一半的数据都是代码，包含中文代码和英文代码。
同时，团队也引入了互联网数据和各类学科数据等类型，来补充数据的多样性。
![]()
另外，研发团队还通过源2.0合成数据的工具，获得并增加了超过1000万条的合成数据，重点是针对于数学和中文代码。
因为互联网上中文数学的语料实在太少，研发团队曾经清洗了10PB左右的互联网数据，但实际只得到了几十GB的中文数学数据。
所以，这片空白需要通过数据合成来进行填补，这也是研发团队持续做的工作。
在算力层面，源2.0-M32延续了源2.0提出的分布式训练方法，综合运用流水线并行+数据并行的策略，显著降低了大模型对芯片间P2P带宽的需求，为硬件差异较大训练环境提供了一种高性能的训练方法。
针对MoE模型的稀疏专家计算，采用合并矩阵乘法的方法，模算效率得到大幅提升。
将开源进行到底
了解了模型背后的技术细节，浪潮信息又为什么能够打造出如此高效的大模型技术和产品呢？
主观上，浪潮信息始终坚持在算法、架构等层面进行创新，对于这样做的原因，吴韶华这样介绍：
如果想提升大模型的能力，沿用当前的结构当然是一个比较好的路径。但我们始终坚持：要从算法层面和模型架构层面做探索、创新，这样才能更快速的实现模型能力的提升。
客观上，也至少包括以下三点原因。
一是从AI时代开始之前，浪潮信息就是专业的算力供应商，在算力侧拥有大量的生态伙伴，对不同类型算力特点有深入的研究，能够更高效地对算力进行利用。
实际上，自从2021年的源1.0开始，浪潮信息的一系列模型就都实现了比业界更高的训练效率。
同时期的GPT-3，算力的利用效率只有21.3%，而源1.0效率则达到了44.8%，达到了业界领先水平。
二是在浪潮信息内部，也有非常多的场景和团队，包括客服、软件研发、生产制造、运维等等，都有很多实际的应用案例，或者实际需要模型去做规模化转型的场景。
这些场景为源大模型的使用、迭代提供了天然的试验场，同时从中能够积累更多的经验、更多的能力，从而满足更多的需求。
三是始终坚持开源开放，同样对模型能力的进化非常有帮助。
源系列模型的开源从1.0版本就已开始，从源1.0到源2.0再到今天的源2.0-M32，始终在坚持做开源，也已赋能了很多开发者。
这些开发者基于源1.0做了很有趣的应用探索，给了浪潮信息很好的反馈，指明了在模型能力上和开发者实际的应用需求上，到底应该关注在哪些层面。
吴韶华表示，从源1.0开源至今，浪潮信息一直在开源活动中持续受益，后续也会很坚定的继续开源。
总之，从创新研发到开源开放，浪潮信息将坚持致力于研发基础大模型，为企业用户降低大模型使用门槛，加速推进产业智能化升级。
GitHub地址：https://github.com/IEIT-Yuan/Yuan2.0-M32论文地址：https://arxiv.org/abs/2405.17976Huggingface地址：https://huggingface.co/IEITYuan/Yuan2-M32-hfModelScope地址：https://modelscope.cn/models/YuanLLM/Yuan2-M32-hf/summaryWisemodel地址：https://www.wisemodel.cn/models/IEIT-Yuan/Yuan2-M32-hf
— 完 —
点这里👇关注我，记得标星哦～
一键三连「分享」、「点赞」和「在看」
科技前沿进展日日相见 ~
![]()
每个token只需要5.28%的算力，精度就能全面对标Llama 3。
开源大模型，再添一位重量级选手——
来自浪潮信息的32专家MoE模型，源2.0-M32。
不仅拥有极高的回报投入比，而且全面开放，训练代码和模型权重都可任意下载，商业使用也免费、无需授权。
那么，这到底是怎样的一款模型？
1/19算力消耗，性能对标Llama 3
首先了解一下模型的基本信息，源2.0-M32模型采用MoE架构，专家数量为32，总参数量40B，激活专家数为2，激活参数量3.7B。
精度上，源2.0-M32在多个测评数据集上全面对标Llama3（70B，以下同），在MATH（数学竞赛）和ARC-C（科学推理）榜单还上超越了Llama3。
举个例子，在求解一道中文数学题目时，源2.0-M32能够用中文进行完整、准确作答，而Llama3虽然能理解中文题目，但回答时还是用了英文。
而且看一下Llama3的答案，虽然前面的过程也没什么问题，但最终得到的结果错得离谱，硬生生把一堆整数的和算出了小数点。
在实现与业界领先开源大模型性能相当的同时，在模型的训练、推理和微调过程中，源2.0-M32的资源消耗也都显著更低。
在训练阶段，使用2万亿token对源2.0-M32进行预训练，计算量只有同参数规模稠密模型的9.25%。
在推理阶段，在达到相当精度的条件下，源2.0-M32平均每个token消耗的算力为7.4GFLOPS，Llama3则需要140GFLOPS，前者的消耗仅为后者的1/19，即5.28%。
换言之，源2.0-M32每Token算力下的平均精度是Llama3的18.8倍，拥有更高的模算效率。
微调上，使用1万条平均长度为1024 token的数据进行微调，Llama3-70B消耗为0.05PD（PetaFLOPs/s-Day），源2.0-M32只用0.0026PD，仅为Llama3的5.2%。
当然不得不说的是，虽然源2.0-M32的微调消耗已经降低到了Llama3的5.2%，但微调本身对于一些用户来说就是无法负担的成本。
而得益于源2.0-M32强大的少样本学习能力，让用户即使没有条件进行微调，也能快速构建大模型应用。
以代码生成为例，仅需很少量的样本引导，源2.0-M32在HumanEval上获得的精度就能从74.4提升到78.1，增幅达到了4.97%。
浪潮信息提供了预训练、微调和推理服务脚本，开发人员可以高效完成部署。
模型部署可端可云，可以在自有的云服务上部署，也可以在浪潮信息推出的企业大模型开发平台EPAI中快速构建，还可以通过浪潮信息开源的本地大模型对话工具YuanChat，在PC端完成快速部署。
而且源2.0-M32模型激活参数量仅3.7B，算力需求只有2B模型（单专家）的1点多倍，用笔记本就能带动。
总之，浪潮信息始终追求更高效的智能涌现——本次发布“源2.0-M32”大模型，就是希望资源有限的条件下，实现能耗更低、推理和训练效果更优的大模型开发。
那么，浪潮信息是如何实现用更少的算力开销，对标行业领先模型的呢？
算法、算力、数据的全面创新
自浪潮信息涉足AI领域以来，一直将“算法、算力、数据”视为AI应用的“三驾马车”。
实际上，整个“源”系列大模型的研发过程亦是如此，所有的相关研究，都是围绕着这三个维度展开的。
在算法上，源2.0-M32选择了MoE架构，解决了稠密模型训练成本过高、数据和算力不足的问题。
从Llama1（65B）、Llama2（70B）到Llama3（70B）的迭代过程可以看出，三代模型的参数量接近，但随着训练Token数从1.4T增加到了15T，模型表现也随之显著提升。
△数据来自Llama1与Llama2的论文
大模型的扩展率揭示出：增大模型的参数量与增大训练的token数对模型能力提升的作用类似，如果按照Llama3的训练数据量（15T tokens）外推，500B参数的模型若想充分的训练，所需的高质量文本token数高达107T，已经远远超过了当前业界已知的数据量。
退一步讲，即使真的有这么多数据，训练过程所需的算力投入同样无法承受。
按照计算，如果用107T训练token训一个500B参数规模的Dense模型，需要的算力是321000Z（10^21）Flops。
即使在2万颗加速卡的集群上，训练效率按40%来算（实际还不一定能达到），也需要耗时464天，单是电费就要花费约3亿元。
相比之下，MoE模型的一个显著优势就是，能够在远少于稠密模型所需的计算资源下，进行有效的预训练。
同时，源2.0-M32没有采用Mixtral等MoE模型中更常见的8专家结构，而是将专家数量设定为了32，运行时只激活两个专家。
这一参数的选择，是研发团队进行了大量的实验调优之后确定的。
浪潮信息人工智能首席科学家吴韶华介绍说，模算效率是浪潮信息设计自己的大模型时的核心出发点，在提升模型能力的同时，尽可能降低算力开销。
业界中像Mixtral这样的模型，获得更高精度的方式是固定专家数量，增加单个专家的参数量，但源2.0-M32则反其道而行之。
吴韶华介绍，在研发团队的实验中，随着专家数量从8个专家增加到32个专家，在模型精度上取得了非常不错的回报。
但即使总的专家数量增加到了32个，激活的专家依然只有两个。在这种情况下，激活参数量不变，算力开销不变。
至于源2.0-M32中的单个专家，则是选用了源2.0-2B模型，这样做的考量是控制单个专家的参数量不至于过大，以便在企业场景应用中可以有更好的模算效率。
除了在专家数量的设置上另辟蹊径，团队也对源2.0-M32的门控网络进行了全新设计，采用了独创的Attention Router门控网络，相比传统的门控网络获得了精度提升。
当前流行的MoE结构大都采用简单的调度策略，其本质是对token与代表每个专家的特征向量求点积，随后挑选点积结果最大的几个专家。
这种方式只考虑了token和专家的关系，却忽略了专家与专家之间的相关性，但实际过程中往往需要多个专家协同参与计算，如果忽视专家之间相关性，无疑会降低模型的精度。
而源2.0-M32大模型中的Attention Router，就创造了一种专家间协同性的度量方法，解决了传统的门控机制中专家关联性缺失的问题。
具体来说，对于每一个专家，研发团队都构建了3个向量，并利用类似Attention的机制来构建专家之间的关系。最终选择的专家不仅与Token匹配度高，两个专家的协同效果也更好。
此外，源2.0-M32也沿用了源2.0系列中首创的局部注意力过滤增强（LFA）机制，和经典的Llama结构相比，模型在几百亿token数据的训练之后，在100亿token的测试集上做测试，会有3.5%的精度提升。
在数据层面，源2.0-M32一共使用2万亿token进行训练，相比之前的2.0版本大幅提升。
整个训练过程也非常稳定，没有出现数值不稳定或异常的中断的情况，最终训练损失为1.22。
数据类型上看，源2.0-M32这个模型的2万亿token中，差不多有一半的数据都是代码，包含中文代码和英文代码。
同时，团队也引入了互联网数据和各类学科数据等类型，来补充数据的多样性。
另外，研发团队还通过源2.0合成数据的工具，获得并增加了超过1000万条的合成数据，重点是针对于数学和中文代码。
因为互联网上中文数学的语料实在太少，研发团队曾经清洗了10PB左右的互联网数据，但实际只得到了几十GB的中文数学数据。
所以，这片空白需要通过数据合成来进行填补，这也是研发团队持续做的工作。
在算力层面，源2.0-M32延续了源2.0提出的分布式训练方法，综合运用流水线并行+数据并行的策略，显著降低了大模型对芯片间P2P带宽的需求，为硬件差异较大训练环境提供了一种高性能的训练方法。
针对MoE模型的稀疏专家计算，采用合并矩阵乘法的方法，模算效率得到大幅提升。
将开源进行到底
了解了模型背后的技术细节，浪潮信息又为什么能够打造出如此高效的大模型技术和产品呢？
主观上，浪潮信息始终坚持在算法、架构等层面进行创新，对于这样做的原因，吴韶华这样介绍：
如果想提升大模型的能力，沿用当前的结构当然是一个比较好的路径。但我们始终坚持：要从算法层面和模型架构层面做探索、创新，这样才能更快速的实现模型能力的提升。
客观上，也至少包括以下三点原因。
一是从AI时代开始之前，浪潮信息就是专业的算力供应商，在算力侧拥有大量的生态伙伴，对不同类型算力特点有深入的研究，能够更高效地对算力进行利用。
实际上，自从2021年的源1.0开始，浪潮信息的一系列模型就都实现了比业界更高的训练效率。
同时期的GPT-3，算力的利用效率只有21.3%，而源1.0效率则达到了44.8%，达到了业界领先水平。
二是在浪潮信息内部，也有非常多的场景和团队，包括客服、软件研发、生产制造、运维等等，都有很多实际的应用案例，或者实际需要模型去做规模化转型的场景。
这些场景为源大模型的使用、迭代提供了天然的试验场，同时从中能够积累更多的经验、更多的能力，从而满足更多的需求。
三是始终坚持开源开放，同样对模型能力的进化非常有帮助。
源系列模型的开源从1.0版本就已开始，从源1.0到源2.0再到今天的源2.0-M32，始终在坚持做开源，也已赋能了很多开发者。
这些开发者基于源1.0做了很有趣的应用探索，给了浪潮信息很好的反馈，指明了在模型能力上和开发者实际的应用需求上，到底应该关注在哪些层面。
吴韶华表示，从源1.0开源至今，浪潮信息一直在开源活动中持续受益，后续也会很坚定的继续开源。
总之，从创新研发到开源开放，浪潮信息将坚持致力于研发基础大模型，为企业用户降低大模型使用门槛，加速推进产业智能化升级。
GitHub地址：https://github.com/IEIT-Yuan/Yuan2.0-M32论文地址：https://arxiv.org/abs/2405.17976Huggingface地址：https://huggingface.co/IEITYuan/Yuan2-M32-hfModelScope地址：https://modelscope.cn/models/YuanLLM/Yuan2-M32-hf/summaryWisemodel地址：https://www.wisemodel.cn/models/IEIT-Yuan/Yuan2-M32-hf
— 完 —
点这里👇关注我，记得标星哦～
一键三连「分享」、「点赞」和「在看」
科技前沿进展日日相见 ~