Galactica

Cinq points de contrôle open-weight allant de 125M à 120B de paramètres offrent aux chercheurs un modèle de langage formé à la science, construit à partir de 106 milliards de tokens sélectionnés parmi 48 millions d’articles, manuels, encyclopédies et bases de connaissances. Galactica stocke, combine et raisonne à travers des modalités incluant LaTeX, code Python, formules SMILES et séquences d’acides aminés au sein d’une architecture Transformer à décodeur unique. L’équipe Papers with Code de Meta a rendu open source les poids pour les chercheurs souhaitant étudier comment les modèles de langage organisent les connaissances scientifiques.

Les LLM à usage général s’entraînent sur de larges explorations du web où les discussions sociales peuvent dominer le budget de tokens. Galactica a utilisé uniquement des sources scientifiques en libre accès sélectionnées, ce que l’article soutient lui permet de s’entraîner sur plusieurs époques sans surapprentissage. Meta a retiré la démo web publique trois jours après son lancement en novembre 2022 lorsque des critiques ont montré des citations et équations confiantes mais fabriquées, ainsi aujourd’hui vous téléchargez les points de contrôle depuis Hugging Face plutôt que de discuter via une interface hébergée.

Les chercheurs en apprentissage automatique peuvent reproduire les chiffres de référence de l’article arXiv, incluant 77,6 % sur PubMedQA et 52,9 % sur MedMCQA dev. Les biologistes computationnels et chimistes peuvent tester des tâches d’annotation de protéines et de molécules grâce aux tokens spécialisés de Galactica pour les séquences d’acides aminés et chaînes SMILES. Les étudiants en master explorant les questions-réponses scientifiques, la prédiction de citations ou les problèmes mathématiques peuvent expérimenter avec des tailles allant jusqu’à 120 milliards de paramètres sans entraînement depuis zéro.