本文經(jīng)AI新媒體量子位（公眾號ID:QbitAI）授權(quán)轉(zhuǎn)載，轉(zhuǎn)載請聯(lián)系出處。

蘋果Transformer的“秘密”，讓發(fā)燒友給扒出來了。

大模型浪潮下，即使保守如蘋果，也每逢發(fā)布會必提“Transformer”。

比如，在今年的WWDC上，蘋果就已宣布，船新版本的iOS和macOS將內(nèi)置Transformer語言模型，以提供帶文本預(yù)測功能的輸入法。

蘋果官方?jīng)]有透露更多信息，但技術(shù)愛好者們可坐不住了。

一位名叫Jack Cook的小哥，就把macOS Sonoma beta翻了個底朝天，結(jié)果，還真挖出不少新鮮信息：

• 模型架構(gòu)上，Cook小哥認(rèn)為蘋果的語言模型更像是基于GPT-2打造的。
• 在分詞器（tokenizer）方面，表情符號在其中十分突出。

更多細節(jié)，一起來看。

基于GPT-2架構(gòu)

先來回顧一下蘋果基于Transformer的語言模型能在iPhone、MacBook等設(shè)備上實現(xiàn)怎樣的功能。

主要體現(xiàn)在輸入法方面。語言模型加持下的蘋果自帶輸入法，可以實現(xiàn)單詞預(yù)測和糾錯的功能。

Jack Cook小哥具體測試了一下，發(fā)現(xiàn)這個功能主要實現(xiàn)的是針對單個單詞的預(yù)測。

△圖源：Jack Cook博客文章

模型有時也會預(yù)測即將出現(xiàn)的多個單詞，但這僅限于句子語義十分明顯的情況，比較類似于Gmail里的自動完成功能。

△圖源：Jack Cook博客文章

那么這個模型具體被裝在了哪里？一通深入挖掘之后，Cook小哥確定：

我在 /System/Library/LinguisticData/RequiredAssets_en.bundle/AssetData/en.lm/unilm.bundle 中找到了預(yù)測文本模型。

原因是：

1. unilm.bundle中的許多文件在macOS Ventura（13.5）里并不存在，僅出現(xiàn)在了新版本macOS Sonoma beta（14.0）里。
2. unilm.bundle中存在一個sp.dat文件，這在Ventura和Sonoma beta里都能找到，但Sonoma beta的版本中更新了明顯像是分詞器的一組token。
3. sp.dat中token的數(shù)量跟unilm.bundle中的兩個文件——unilm_joint_cpu.espresso.shape和unilm_joint_ane.espresso.shape能匹配得上。這兩個文件描述了Espresso/CoreML模型中各層的形狀。

進而，小哥根據(jù)unilm_joint_cpu中描述的網(wǎng)絡(luò)結(jié)構(gòu)，推測蘋果模型是基于GPT-2架構(gòu)打造的：

主要包含token embeddings、位置編碼、解碼器塊和輸出層，每個解碼器塊中都有類似gpt2_transformer_layer_3d這樣的字眼。

△圖源：Jack Cook博客文章

根據(jù)每層大小，小哥還推測，蘋果模型約有3400萬參數(shù)，隱藏層大小是512。也就是說，它比GPT-2最小的版本還要小。

小哥認(rèn)為，這主要是因為蘋果想要一種不太耗電，但同時能夠快速、頻繁運行的模型。

而蘋果官方在WWDC上的說法是，“每點擊一個鍵，iPhone就會運行模型一次”。

不過，這也就意味著，這個文本預(yù)測模型并不能很好地完整續(xù)寫句子或段落。

△圖源：Jack Cook博客文章

模型架構(gòu)之外，Cook小哥還挖出了分詞器（tokenizer）的相關(guān)信息。

他在unilm.bundle/sp.dat里發(fā)現(xiàn)了一組數(shù)量為15000的token，值得關(guān)注的是，其中包含100個emoji。

Cook揭秘庫克

盡管此Cook非彼庫克，小哥的博客文章一發(fā)出，還是吸引了不少關(guān)注。

基于他的發(fā)現(xiàn)，網(wǎng)友們熱烈地討論起蘋果在用戶體驗和前沿技術(shù)應(yīng)用之間的平衡大法。

回到Jack Cook本人，他本科和碩士畢業(yè)于MIT的計算機專業(yè)，目前還在攻讀牛津大學(xué)的互聯(lián)網(wǎng)社會科學(xué)碩士學(xué)位。

此前，他曾在英偉達實習(xí)，專注于BERT等語言模型的研究。他還是《紐約時報》的自然語言處理高級研發(fā)工程師。