DeepSpeed ZeRO++ vs Stellaris AI

DeepSpeed ZeRO++ optimise la communication lors de l'entraînement de grands modèles linguistiques et de chat afin d'accélérer significativement le processus. Il réduit jusqu'à quatre fois le volume de données transférées entre les GPU par rapport à l'optimiseur ZeRO d'origine, en utilisant des techniques avancées telles que la quantification par blocs et la partition hiérarchique des poids.

Ce qui distingue DeepSpeed ZeRO++, c'est sa capacité à maintenir la précision du modèle tout en réduisant la surcharge de communication, en particulier lors de l'entraînement avec de petits lots par GPU ou sur des clusters avec une bande passante réseau limitée. Il y parvient en utilisant la mémoire GPU supplémentaire pour conserver des copies complètes du modèle sur chaque machine, permettant une communication intra-machine plus rapide et réduisant les transferts de données plus lents entre machines.

DeepSpeed ZeRO++ accélère également les flux de travail d'apprentissage par renforcement à partir de retours humains (RLHF), améliorant à la fois la phase de génération et d'entraînement pour des modèles similaires à ChatGPT. Il s'intègre avec DeepSpeed-Chat, permettant des tailles de lot plus importantes et un débit plus rapide sur divers configurations matérielles.

Techniquement, ZeRO++ met en œuvre une nouvelle méthode de communication par gradients quantifiés et un modèle de communication hiérarchique all-to-all qui équilibre quantification et précision afin de minimiser erreur et latence. Ces innovations font de DeepSpeed ZeRO++ une solution pratique et évolutive pour les chercheurs et développeurs souhaitant entraîner plus rapidement et à moindre coût des modèles d'IA massifs, en particulier dans des environnements à bande passante limitée.

Dans l'ensemble, DeepSpeed ZeRO++ représente une avancée significative en termes de vitesse et d'efficacité pour l'entraînement distribué à grande échelle, permettant un pré-entraînement et un ajustement fin plus rapides des grands modèles d'IA tout en réduisant les coûts de communication et en élargissant l'accès à des configurations matérielles diversifiées.

Stellaris AI développe de grands modèles de langage commercialisés autour de la sécurité native et du raisonnement humain pour des tâches réelles. Sa gamme phare SGPT cible la génération de texte et de code, les questions-réponses basées sur les connaissances, le raisonnement logique et l'analyse à une échelle que l'entreprise décrit comme des centaines de milliards de paramètres. Le site public se concentre sur une liste d'attente pour SGPT-4.5 plutôt que sur un produit de chat en libre-service accessible dès aujourd'hui.

Alors que de nombreux laboratoires de LLM ajoutent des filtres de sécurité après l'entraînement, Stellaris AI considère la sécurité comme une partie intégrante de la pile du modèle grâce à un référencement strict des sources et à une minimisation des dommages dans l'architecture. Elle met également en avant l'apprentissage contextuel en temps réel (RCL) pour adapter les réponses avec des connaissances en direct, une combinaison destinée aux équipes qui souhaitent des résultats cités plutôt qu'une génération non vérifiée.

Les chercheurs, les équipes d'IA d'entreprise et les premiers utilisateurs rejoignent la liste d'attente SGPT-4.5 pour un accès prioritaire. L'entreprise cite plus de 10 ans de recherche et trois piliers produits principaux : Stellaris GPT, Native Safety et RCL.