FinetuneFast vs GLM-130B

FinetuneFast est un kit de base payant pour l'affinage et le déploiement de modèles d'apprentissage automatique. Il regroupe des scripts d'entraînement pré-configurés, des pipelines de chargement de données, une optimisation des hyperparamètres, ainsi que des modèles de déploiement, permettant aux développeurs de passer rapidement de la mise en place à la production, sans tout construire from scratch.

Le package couvre la génération de texte en image, les grands modèles de langage, les applications RAG et les workflows associés. Les exemples inclus font référence à des fournisseurs tels qu'AWS Bedrock, Mistral AI, et OpenAI, ainsi que des modèles pour Flux-Schnell de texte à image, Fish-Speech pour synthèse vocale, et la génération augmentée par récupération.

Après achat, les acheteurs ont accès aux matériaux du dépôt GitHub avec la documentation. Le plan All In inclut l'accès à la communauté Discord et des mises à jour à vie. Le fondateur Patrick a créé le produit à partir d'une expérience pratique en ingénierie ML, incluant le travail sur l'entraînement de modèles, les API d'inférence, et les infrastructures évolutives.

GLM-130B propose un modèle de langage bilingue de 130 milliards de paramètres dans la pile de recherche ouverte THUDM construite autour de la recette de pré-entraînement General Language Model (GLM). Les poids ciblent les textes en anglais et en chinois, et le dépôt GitHub fournit le code d'inférence, les tâches d'évaluation et les points de contrôle acceptés à ICLR 2023. Vous pouvez exécuter une génération de gauche à droite ou un remplissage à blanc avec les tokens [MASK] et [gMASK] sur un matériel tenant sur un seul serveur multi-GPU plutôt que via une API propriétaire.

Alors que la plupart des modèles de plus de 100 milliards restent fermés, GLM-130B publie les poids du modèle, les notes d'entraînement et les configurations YAML pour plus de 30 benchmarks. Sa voie de quantification INT4 est optimisée pour que quatre cartes RTX 3090 (24GB) puissent héberger l'inférence avec presque aucune perte de précision, un seuil bien plus bas que la configuration de huit A100 (40GB) utilisée pour les exécutions FP16 complètes. L'objectif d'entraînement combine un remplissage à blanc autorégressif sur 95 % des tokens avec des données d'instruction multitâches issues de T0++ et DeepStruct, ce qui constitue un pari différent du pré-entraînement causal standard de type GPT.

Les chercheurs étudiant le transfert zéro-shot bilingue, la quantification de grands modèles ou les benchmarks reproductibles de LLM tireront le meilleur parti de GLM-130B. Le dépôt se concentre sur les outils d'évaluation et d'inférence plutôt que sur un produit de chat hébergé, bien que THUDM ait ensuite dérivé les travaux de dialogue dans ChatGLM. Prévoyez d'apporter vos propres GPU, un stockage pour un point de contrôle de 260GB et de la patience pour le formulaire de téléchargement des poids.