Моделі Mixtral і Sparse
Mixtral — це відкрита експертна модель Mistral AI, яка забезпечує якість великої моделі за швидкості маленької моделі.
Огляд
Sparse models like it activate only a fraction of their parameters per token, cutting compute without sacrificing capability.
Глибоке занурення
Mixtral 8x7B, випущений Mistral AI наприкінці 2023 року, популяризував підхід розрідженої суміші експертів (MoE) у відкритих моделях. Він містить вісім окремих «експертних» мереж прямого зв’язку на кожен рівень із приблизно 47 мільярдами параметрів, але легкий маршрутизатор вибирає лише двох експертів для кожного маркера. У результаті лише приблизно 13 мільярдів параметрів є активними на токен, тому логічний висновок працює приблизно так само швидко, як щільна модель 13B, при цьому досягаючи якості, порівнянної з набагато більшими. Mixtral відповідав або перемагав GPT-3.5 і Llama 2 70B за багатьма тестами, але був швидшим і дешевшим в обслуговуванні. Пізніше Mistral випустив Mixtral 8x22B. Модель має відкриту ліцензію під Apache 2.0, що сприяє швидкому прийняттю та тонкому налаштуванню в спільноті відкритих кодів.
Технічне розуміння
У розрідженому рівні MoE щільний блок прямого зв’язку замінюється на N експертних мереж плюс невелику мережу стробування (маршрутизатор). Для кожного токена маршрутизатор обчислює бали та вибирає кращих k експертів (топ-2 у Mixtral), направляючи токен лише через них. Їх результати зважуються та підсумовуються. Оскільки більшість експертів залишаються бездіяльними на токен, модель зберігає багато параметрів у пам’яті, але виконує набагато менше обчислень. Компроміс: усі експерти мають бути завантажені у VRAM, навіть якщо працюють лише деякі.
Стратегічний вплив
Вартість і бюджет
Архітектурні рішення збільшують продуктивність і експлуатаційні витрати протягом багатьох років.
Чіткіші рішення
Технічна освіта допомагає командам вибрати правильний стек, а не лише найновіший.
Контроль якості
Кращий інженерний вибір зменшує проблеми з надійністю у виробництві.
Майбутнє моделей Mixtral і Sparse
Sparse MoE тепер є центральним для прикордонного ШІ. Очікуйте більше відкритих випусків MoE, детальнішої маршрутизації з багатьма малими експертами та спільних або гібридних експертних дизайнів, які ще більше підвищать ефективність. Оскільки моделі масштабуються до трильйонів загальних параметрів, розрідженість є головним важелем для збереження доступності висновків. Дослідження вирішують слабкі місця MoE, балансування навантаження між експертами, накладні витрати пам’яті та стабільність навчання, тоді як апаратне забезпечення та стеки обслуговування дедалі більше оптимізуються спеціально для експертної маршрутизації.
Реалізація в реальному світі
Обслуговування високоякісного чат-бота за ціною та швидкістю набагато меншої щільної моделі
Самостійне розміщення ліцензованої моделі Apache-2.0 для комерційних продуктів без плати за використання
Точне налаштування індивідуальної поведінки на Mixtral для кодування, узагальнення або багатомовних завдань
Запуск швидкого висновку на одному сервері з декількома GPU, де щільна модель 70B була б надто повільною
Ризики та огорожі
Оптимізація одного тесту може приховати ширші слабкі сторони системи.
Витрати на інфраструктуру та обслуговування часто недооцінюються.
Прогалини в безпеці та спостережуваності можуть зростати в міру ускладнення систем.
Дорожня карта впровадження
Визначте цільові показники затримки, якості та вартості перед впровадженням.
Тест за реалістичних умов навантаження та даних.
Моніторинг інструментів на наявність помилок, дрейфу та впливу користувача.
Перед масштабуванням підготуйте шляхи відкату та реагування на інциденти.
Продовжуйте досліджувати
Free newsletter
Get the daily AI briefing
Three verified AI stories every weekday morning, written in plain English. Free forever, no ads.
One email each weekday. Unsubscribe in one click. We never sell or share your address.
Test yourself
Take the Mixtral and Sparse Models quiz
Instant feedback on every answer, and a shareable certificate with a verifiable ID once you pass a course.
Support free AI education. AI Understanding is a 501(c)(3) nonprofit — no ads, no paywall, ever. Make a donation
Наступний посібник
Паралелізм моделі та конвеєра
Часті запитання
What is Mixtral and Sparse Models?
Mixtral — це відкрита експертна модель Mistral AI, яка забезпечує якість великої моделі за швидкості маленької моделі. Подібні розріджені моделі активують лише частину своїх параметрів на маркер, скорочуючи обчислення без шкоди для можливостей.
Скільки експертів обробляють кожен окремий токен у Mixtral 8x7B?
Mixtral використовує топ-2 маршрутизацію: маршрутизатор вибирає двох із восьми експертів для обробки кожного токена.
Який компонент вирішує, яким експертам буде надіслано маркер?
Невелика шлюзова мережа, яка називається маршрутизатором, оцінює експертів і вибирає, які з них оброблятимуть кожен маркер.
Хоча Mixtral 8x7B має близько 47B загальних параметрів, скільки приблизно активних на маркер?
Оскільки лише два експерти запускають один токен, приблизно 13 мільярдів параметрів активні, що забезпечує швидкість набагато меншої моделі.
Що є ключовим компромісом розріджених моделей MoE, таких як Mixtral?
MoE економить обчислення на токен, але все одно вимагає, щоб усі експерти були у VRAM, що збільшує потребу в пам’яті.
За якою ліцензією Mistral AI випустив Mixtral, сприяючи відкритому впровадженню?
Mixtral було випущено під дозвільною ліцензією Apache 2.0, що дозволяє безкоштовне комерційне використання та тонке налаштування.