DeepSpeed ZeRO++ vs Stellaris AI

DeepSpeed ZeRO++ optimiza la comunicación durante el entrenamiento de modelos grandes de lenguaje y chat para acelerar significativamente el proceso. Reduce el volumen de datos transferidos entre GPUs hasta en cuatro veces en comparación con el optimizador ZeRO original, utilizando técnicas avanzadas como la cuantificación basada en bloques y la partición jerárquica de pesos.

Lo que distingue a DeepSpeed ZeRO++ es su capacidad de mantener la precisión del modelo mientras reduce la sobrecarga de comunicación, especialmente cuando se entrena con tamaños pequeños de lote por GPU o en clústeres con ancho de banda de red limitado. Lo logra usando memoria adicional de GPU para mantener copias completas del modelo en cada máquina, permitiendo una comunicación intra-máquina más rápida y reduciendo las transferencias de datos entre máquinas más lentas.

DeepSpeed ZeRO++ también acelera los flujos de trabajo de aprendizaje por refuerzo a partir de la retroalimentación humana (RLHF), mejorando tanto las fases de generación como de entrenamiento para modelos similares a ChatGPT. Se integra con DeepSpeed-Chat, permitiendo tamaños de lote mayores y un mayor rendimiento en diferentes configuraciones de hardware.

Técnicamente, ZeRO++ implementa un método novedoso de comunicación de gradiente cuantizado y un patrón jerárquico de comunicación de todo a todo que equilibra la cuantificación y la precisión para minimizar errores y latencia. Estas innovaciones hacen de DeepSpeed ZeRO++ una solución práctica y escalable para investigadores y desarrolladores que buscan entrenar modelos de IA masivos de manera más rápida y rentable, especialmente en entornos con limitaciones de ancho de banda.

En general, DeepSpeed ZeRO++ ofrece un avance significativo en velocidad y eficiencia para el entrenamiento distribuido a gran escala, permitiendo una preentrenamiento y ajuste fino más rápido de modelos de IA grandes, mientras reduce los costos de comunicación y aumenta la accesibilidad a configuraciones de hardware diversas.

Stellaris AI desarrolla grandes modelos de lenguaje comercializados en torno a la seguridad nativa y el razonamiento similar al humano para tareas del mundo real. Su línea principal SGPT se enfoca en la generación de texto y código, preguntas y respuestas de conocimiento, razonamiento lógico y análisis a una escala que la empresa describe como cientos de miles de millones de parámetros. El sitio público se centra en una lista de espera para SGPT-4.5 en lugar de un producto de chat de autoservicio que puedas usar hoy.

Mientras que muchos laboratorios de LLM añaden filtros de seguridad después del entrenamiento, Stellaris AI considera la seguridad como parte de la pila del modelo mediante una estricta referencia a las fuentes y la minimización de daños en la arquitectura. También destaca el Aprendizaje de Contexto en Tiempo Real (RCL) para adaptar las respuestas con conocimiento en vivo, una combinación dirigida a equipos que desean salidas citadas en lugar de generación sin control.

Investigadores, equipos de IA empresarial y primeros usuarios se unen a la lista de espera de SGPT-4.5 para obtener acceso prioritario. La empresa menciona más de 10 años de investigación y tres pilares principales de producto: Stellaris GPT, Seguridad Nativa y RCL.