GLaM 对比 ggml.ai

题为“GLaM：专家混合的语言模型的高效扩展”的论文提出了一种新的语言模型开发方法，可以提高效率和性能。 GPT-3 等传统密集模型通过扩展大型数据集和提高计算能力，在自然语言处理 (NLP) 方面取得了突破。然而，这种扩展的资源成本很高。

提出的 GLaM 模型通过引入稀疏激活的专家混合架构来解决这个问题。这使得 GLaM 能够拥有更多的参数——1.2 万亿，大约是 GPT-3 的 7 倍——同时减少训练和推理所需的能量需求和计算量。值得注意的是，GLaM 在 29 个 NLP 任务中的零样本和一次性学习方面也优于 GPT-3，这标志着在寻求更高效、更强大的语言模型方面向前迈出了一步。

ggml.ai 处于人工智能技术的前沿，通过其创新的张量库将强大的机器学习功能直接带到边缘。 ggml.ai 专为通用硬件平台上的大型模型支持和高性能而构建，使开发人员能够实现先进的人工智能算法，而无需专门的设备。该平台采用高效的 C 编程语言编写，提供 16 位浮点和整数量化支持，以及自动微分和各种内置优化算法（如 ADAM 和 L-BFGS）。它拥有针对 Apple Silicon 的优化性能，并在 x86 架构上利用 AVX/AVX2 内在函数。基于 Web 的应用程序还可以通过 WebAssembly 和 WASM SIMD 支持来利用其功能。凭借零运行时内存分配和不存在第三方依赖项，ggml.ai 为设备上推理提供了一种最小且高效的解决方案。

诸如whisper.cpp和llama.cpp之类的项目展示了ggml.ai的高性能推理能力，其中whisper.cpp提供语音到文本的解决方案，llama.cpp专注于Meta的LLaMA大语言模型的高效推理。此外，该公司欢迎对其代码库做出贡献，并通过 MIT 许可证支持开放核心开发模型。随着 ggml.ai 的不断扩张，它正在寻找对设备上推理有共同愿景的有才华的全职开发人员加入他们的团队。

ggml.ai 旨在突破边缘人工智能的极限，证明了人工智能社区的游戏和创新精神。