Gopher vs GLM-130B

Découvrez les avancées de pointe de l'intelligence artificielle avec l'exploration par DeepMind des capacités de traitement du langage dans l'IA. Au cœur de cette exploration se trouve Gopher, un modèle de langage de 280 milliards de paramètres conçu pour comprendre et générer du texte de type humain. Le langage est au cœur de l’intelligence humaine, nous permettant d’exprimer des pensées, de créer des souvenirs et de favoriser la compréhension.

Conscientes de son importance, les équipes interdisciplinaires de DeepMind se sont efforcées de stimuler le développement de modèles de langage comme Gopher, en équilibrant l'innovation avec les considérations éthiques et la sécurité. Découvrez comment ces modèles linguistiques font progresser la recherche sur l'IA en améliorant les performances dans des tâches allant de la compréhension écrite à la vérification des faits, tout en identifiant les limites telles que les défis de raisonnement logique. L'attention est également accordée aux risques éthiques et sociaux potentiels associés aux grands modèles linguistiques, notamment la propagation de préjugés et de désinformation, ainsi qu'aux mesures prises pour atténuer ces risques.

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.