撰稿 | 言征
出品 | 51CTO技术栈（微信号：blog51cto）
大模型领域，迭代的速度简直要以天计算。昨天，大家还在热议Claude3超大杯版Opus在Elo Rating榜单上取代GPT4-Turbo-1106成为了新王。今天大家又发现开源大模型的王者又换主了！
图片
3月27日，全球知名的数据仓库服务提供商Databricks发布了一系列开源的大型语言模型DBRX，称其在标准基准测试中的表现优于OpenAI的GPT3.5模型和开源模型，如Mixtral、Claude 3、Llama 2和Grok-1。同时，模型的训练和推理优势也非常明显，成本降低明显。
一、独占鳌头！优于SOTA！
副总裁兼 MosaicML 的创始人Naveen Rao心情非常激动，“Databricks 今天宣布推出世界上最强大的开源模型DBRX。这款新模型在各种基准测试中均优于其他 SOTA 开源模型，如 Llama 2 70B、Mixtral-8x7B 和 Grok-1，包括语言理解（MMLU）、编程（Human Eval）和数学（GSM 8K）。”
可喜的是，DBRX 还超越了 OpenAI 的 GPT-3.5，并在类似基准测试中与 GPT-4 的差距逐渐缩小，这不可避免地减少了对专有闭源模型的依赖，转而采用开源模型，并显著降低了成本。
图片
在一系列标准基准中，DBRX可谓绝大多数都独占鳌头。根据测评结果显示，它超过了GPT-3.5，与Gemini 1.0 Pro具有竞争力。
图片
此外，它在生成代码方面非常突出，超越了CodeLLaMA-70B等专业模型，此外它还具有通用LLM的优势。
结构上看，DBRX采用了更细粒度的专家混合（MoE）架构，性能和训练效率得到了显著的提升，落实到使用体验上，就是输出得更快！
据悉，其推理速度比LLaMA2-70B快2倍，对比来看，DBRX输出“每秒100个tokens，而Llama输出的是每秒35个tokens”；就总参数计数和激活参数量而言，DBRX约为Grok-1大小的40%。当托管在Mosaic AI Model Serving上时，DBRX可以以高达150 tok/s/用户的速度生成文本。
图片
“我们的客户会发现，在相同的最终模型质量下，训练MoE的FLOP效率也比训练密集模型高出约2倍。端到端，我们的DBRX总体方案（包括预训练数据、模型架构和优化策略）可以与我们上一代MPT模型的质量相匹配，计算量减少近4倍。”
二、性能更强！DBRX怎么做到的？
1.架构更精细
DBRX是一个基于Transformer的解码器的大型语言模型（LLM），使用下一个令牌预测进行训练。它使用了一种细粒度的专家混合（MoE）架构，共有132B个参数，其中36B个参数在任何输入上都是active的。它是在文本和代码数据的12T标记上进行预训练的。与Mixtral和Grok-1等其他开放MoE模型相比，DBRX是细粒度的，这意味着它使用了大量较小的专家。
DBRX有16名专家，选择4名，而Mixtral和Grok-1有8名专家，并选择2名。这提供了65倍以上可能的专家组合，我们发现这提高了模型质量。DBRX使用旋转位置编码（RoPE）、门控线性单元（GLU）和分组查询注意力（GQA）。它使用tiktoken存储库中提供的GPT-4 令牌化器（tokenizer） 。
这些都是团队通过详尽的评估和缩放实验做出的选择。
同时，得益于模型采用了 MoE 架构，该架构提供了显著的经济效益。“在服务方面，经济效益要好得多。在浮点运算和浮点操作方面，它们的性能提高了两倍以上，”Rao 分享道。
2.全新的数据集合，训练工具和训练细节
DBRX 是在由 3.2Tbps Infiniband 连接的 3072 个 NVIDIA H100 上进行训练的。构建 DBRX 的主要过程——包括预训练、后训练、评估、红队测试和调优——持续了三个月。
数据方面，为了构建 DBRX，团队利用了 Databricks 向客户提供的同一套工具，包括：使用 Unity Catalog 管理和治理训练数据；使用新收购的 Lilac AI 探索这些数据；使用 Apache Spark™ 和 Databricks 笔记本处理和清理这些数据；
值得一提的是，DBRX是在精心策划的数据的上预训练的，大小为12T tokens和32k tokens的最大上下文窗口长度。据估计，与用于预训练MPT系列模型的数据相比，该数据至少是 token-for-token的两倍。
预训练方面，该团队使用“课程学习”的方法进行预训练，在训练过程中改变数据组合，从而大大提高模型质量。
同时，他们使用优化过的开源训练库（MegaBlocks、LLM Foundry、Composer 和 Streaming）训练 DBRX。
而且，他们通过 Mosaic AI Training 服务在数千个 GPU 上进行大规模模型训练和微调。此外，还使用 MLflow 记录结果。
收集反馈数据方面，通过 Mosaic AI Model Serving 和 Inference Tables 收集人类反馈，以改进质量和安全性。借用Databricks Playground 工具可以手动对模型进行实验。
图片
当然，并不是所有能力都能超过GPT-4，在长文本任务、RAG方面，DBRX还存在有一定差距。
在一系列长文本基准测试（包括来自《Lost in the Middle》论文的 KV-Pairs 和 HotpotQAXL，即 HotPotQA 的修改版本，该版本将任务扩展到更长的序列长度）上，DBRX的性能与 Mixtral Instruct 以及 GPT-3.5 Turbo 和 GPT-4 Turbo API 的最新版本的性能。GPT-4 Turbo 通常在这些任务中表现最佳。
图片
不过值得注意的是，除了一个例外，DBRX Instruct 在所有序列长度的所有部分上的表现均优于 GPT-3.5 Turbo。DBRX Instruct 和 Mixtral Instruct 的整体性能相似。
三、铁了心要打败OpenAIDatabricks背水一战
Rao 表示，“没有差异化的用例，就无法击败 OpenAI……除非你能超越他们，否则试图在平等条件下竞争是徒劳的。如果不能提供独特的优势或更具成本效益的解决方案，那么采用他人的模型就没有意义。”
而Databriks差异化的底气在于：公司的技术整合和专有数据，这两项法宝会继续推动新的、更好的模型变体的诞生。
推出DBRX的战略可以追溯到去年4月，当时该公司推出了第一个开源LLM，即Dolly 2.0，作为服务于企业的GPT 3.5和GPT-4等型号的替代产品。
同时，Rao透露了下一步有关开源模型的计划：
（1）将发布RAG工具，“RAG对我们来说是一个巨大而重要的模式，我们将发布工具。”此外，Databricks中有非常简单的RAG方法，接下来的一个大动作是会让DBRX模型成为RAG的最佳生成器模型。
（2）DBRX模型将会托管在AWS、谷歌云（GCP）和Azure等所有主要云环境的产品中。作为一个开源模型，用户可以随心所欲地使用它。
（3）DBRX 预计也将通过 Nvidia API Catalog 提供，并在 Nvidia NIM 推理微服务上得到支持。
四、开源大模型商业模式找到了：挣构建、定制、服务工具的钱
现在DBRX的推出，除了惊人的性能数据，另一个惊喜，是让大模型厂商看到了变现的路径。
RAO给出了这样一种商业逻辑，他认为Databricks 专注于帮助企业构建、训练和扩展满足其特定需求的模型是有意义的，“我们关心企业的采用情况，因为那是我们的商业模式。当客户想要构建、定制和提供服务模型时，我们就会赚钱，”他补充道。
具体到DBRX，我们一探挣钱之道。
作为 LLM 发布的一部分，Databricks 以开放许可证的形式发布了两个模型，但有一些限制：DBRX Base，一个预训练的基础模型，以及 DBRX Instruct，一个针对少量交互的微调版本。
首先，正如上述介绍的，通过Azure数据库在AWS、Google Cloud和Microsoft Azure上支持DBRX，因此企业可以下载该模型，并在任何他们想要的地方在图形处理器(GPU)上运行它。
然后重点来了，企业也可以选择订阅DBRX和其他工具，如检索增强生成(RAG)，用于通过Databricks的Mosaic AI Model服务产品定制LLM。（Mosaic AI Model 服务将通过Foundation Model APIs 与 DBRX 连接，这使得企业能够从服务端点访问和查询 LLMs。）
Foundation Model APIs 提供两种定价模式——按Tokens付费和分配的吞吐量。按Tokens付费的定价是基于并发请求，而吞吐量则是按每小时每个 GPU 实例计费。两种费率，包括云实例成本，均从每个Databricks单位 $0.070 开始。
此外，Databriks还为不同的 GPU 配置提供了相应的定价区间。
五、写在最后：开源才刚刚开始
有了稳健的商业模式，开源大模型就有了持续壮大的筹码。重要的是，这也为企业提供了入场AIGC的门票，不仅可以降低使用自身企业数据开发生成性AI用例的成本，而且不会受到封闭模型提供商(如OpenAI)对商业用途的限制。
Rao 认为，这个模型预示着风向的转变，并感觉到开源模型最终会超越像 GPT-4 这样的闭源模型，这与 Linux 超越专有 Unix 系统的历程相似。
“开源才刚刚开始。五年后，世界将会变得有些不同。”
最后的最后，告诉大家，DBRX可以从GitHub网站和Hugging Face 免费下载，用于研究或商业用途——
https://github.com/databricks/dbrx
https://huggingface.co/databricks/dbrx-base
参考链接：
https://www.databricks.com/blog/introducing-dbrx-new-state-art-open-llm
https://analyticsindiamag.com/databricks-creates-history-with-gpt-4-level-open-source-model/
