大模型時代，什么最重要？

LeCun曾經(jīng)給出的答案是：開源。

當Meta的LLaMA的代碼在GitHub上被泄露時，全球的開發(fā)者們都可以訪問這個第一個達到GPT水平的LLM。

接下來，各種各樣的LLM給AI模型開源賦予了各種各樣的角度。

LLaMA給斯坦福的Alpac和Vicuna等模型鋪設了道路，搭好了舞臺，讓他們成為了開源的領頭羊。

而就在此時，獵鷹「Falcon」又殺出了重圍。

Falcon 獵鷹

「Falcon」由阿聯(lián)酋阿布扎比的技術創(chuàng)新研究所（TII）開發(fā)，從性能上看，F(xiàn)alcon比LLaMA的表現(xiàn)更好。

目前，「Falcon」有三個版本——1B、7B和40B。

TII表示，F(xiàn)alcon迄今為止最強大的開源語言模型。其最大的版本，F(xiàn)alcon 40B，擁有400億參數(shù)，相對于擁有650億參數(shù)的LLaMA來說，規(guī)模上還是小了一點。

規(guī)模雖小，性能能打。

先進技術研究委員會(ATRC)秘書長Faisal Al Bannai認為，「Falcon」的發(fā)布將打破LLM的獲取方式，并讓研究人員和創(chuàng)業(yè)者能夠以此提出最具創(chuàng)新性的使用案例。

FalconLM的兩個版本，F(xiàn)alcon 40B Instruct和Falcon 40B在Hugging Face OpenLLM排行榜上位列前兩名，而Meta的LLaMA位于第三。

值得一提的是，Hugging Face是通過四個當前比較流形的基準——AI2 Reasoning Challenge，HellaSwag，MMLU和TruthfulQA對這些模型進行評估的。

盡管「Falcon」的論文目前還沒公開發(fā)布，但Falcon 40B已經(jīng)在經(jīng)過精心篩選的1萬億token網(wǎng)絡數(shù)據(jù)集的上進行了大量訓練。

研究人員透露，「Falcon」在訓練過程非常重視在大規(guī)模數(shù)據(jù)上實現(xiàn)高性能的重要性。

我們都知道的是，LLM對訓練數(shù)據(jù)的質(zhì)量非常敏感，這就是為什么研究人員會花大量的精力構(gòu)建一個能夠在數(shù)萬個CPU核心上進行高效處理的數(shù)據(jù)管道。

目的就是，在過濾和去重的基礎上從網(wǎng)絡中提取高質(zhì)量的內(nèi)容。

目前，TII已經(jīng)發(fā)布了精煉的網(wǎng)絡數(shù)據(jù)集，這是一個經(jīng)過精心過濾和去重的數(shù)據(jù)集。實踐證明，非常有效。

僅用這個數(shù)據(jù)集訓練的模型可以和其它LLM打個平手，甚至在性能上超過他們。這展示出了「Falcon」卓越的質(zhì)量和影響力。

此外，F(xiàn)alcon模型也具有多語言的能力。

它理解英語、德語、西班牙語和法語，并且在荷蘭語、意大利語、羅馬尼亞語、葡萄牙語、捷克語、波蘭語和瑞典語等一些歐洲小語種上也懂得不少。

Falcon 40B還是繼H2O.ai模型發(fā)布后，第二個真正開源的模型。然而，由于H2O.ai并未在此排行榜上與其他模型進行基準對比，所以這兩個模型還沒上過擂臺。

而回過頭看LLaMA，盡管它的代碼在GitHub上可以獲取，但它的權(quán)重（weights）從未開源。

這意味著該模型的商業(yè)使用受到了一定程度的限制。

而且，LLaMA的所有版本都依賴于原始的LLaMA許可證，這就使得LLaMA不適合小規(guī)模的商業(yè)應用。

在這一點上，「Falcon」又拔得了頭籌。

唯一免費的商用大模型！

Falcon是目前唯一的可以免費商用的開源模型。

在早期，TII要求，商業(yè)用途使用Falcon，如果產(chǎn)生了超過100萬美元以上的可歸因收入，將會收取10%的「使用稅」。

可是財大氣粗的中東土豪們沒過多長時間就取消了這個限制。

至少到目前為止，所有對Falcon的商業(yè)化使用和微調(diào)都不會收取任何費用。

土豪們表示，現(xiàn)在暫時不需要通過這個模型掙錢。

而且，TII還在全球征集商用化方案。

對于有潛力的科研和商業(yè)化方案，他們還會提供更多的「訓練算力支持」，或者提供進一步的商業(yè)化機會。

項目提交郵箱：Submissions.falconllm@tii.ae

這簡直就是在說：只要項目好，模型免費用！算力管夠！錢不夠我們還能給你湊！

對于初創(chuàng)企業(yè)來說，這簡直就是來自中東土豪的「AI大模型創(chuàng)業(yè)一站式解決方案」。

高質(zhì)量的訓練數(shù)據(jù)

根據(jù)開發(fā)團隊稱，F(xiàn)alconLM 競爭優(yōu)勢的一個重要方面是訓練數(shù)據(jù)的選擇。

研究團隊開發(fā)了一個從公共爬網(wǎng)數(shù)據(jù)集中提取高質(zhì)量數(shù)據(jù)并刪除重復數(shù)據(jù)的流程。

在徹底清理多余重復內(nèi)容后，保留了 5 萬億的token——足以訓練強大的語言模型。

40B的Falcon LM使用1萬億個token進行訓練， 7B版本的模型訓練token達到 1.5 萬億。

（研究團隊的目標是使用RefinedWeb數(shù)據(jù)集從Common Crawl中僅過濾出質(zhì)量最高的原始數(shù)據(jù)）

更加可控的訓練成本

TII稱，與GPT-3相比，F(xiàn)alcon在只使用75%的訓練計算預算的情況下，就實現(xiàn)了顯著的性能提升。

而且在推斷（Inference）時只需要只需要20%的計算時間。

Falcon的訓練成本，只相當于Chinchilla的40%和PaLM-62B的80% 。

成功實現(xiàn)了計算資源的高效利用。