艾伦人工智能研究所（AI2）近日开源发布了新型大型语言模型OLMoE，这是一个具有70亿参数的稀疏混合专家（MoE）模型，但每个输入标记仅使用10亿参数，显着降低了推理成本和内存需求。 OLMoE拥有两个版本：通用版OLMoE-1B-7B和指令微调版OLMoE-1B-7B-Instruct，其性能在基准测试中与其他大型模型相比毫不逊色，甚至超越了一些更大规模的模型。 AI2强调OLMoE的完全开源性，这在MoE模型领域尤为珍贵，为学术研究提供了宝贵资源。
OLMoE 采用了一种稀疏混合专家（MoE）架构，拥有70亿个参数，但每个输入标记仅使用10亿个参数。它有两个版本，分别是更通用的OLMoE-1B-7B 和经过指令调优的OLMoE-1B-7B-Instruct。
与其他大多数闭源的混合专家模型不同，AI2特别强调OLMoE 是完全开源的。他们在论文中提到，“大多数MoE 模型是闭源的:尽管有些公开了模型权重，但对其训练数据、代码或配方的信息极为有限。” 这使得很多学术研究者无法接触到这些模型。
AI2的研究科学家内森・兰伯特在社交媒体上表示，OLMoE 将有助于政策制定，这可以为学术界的H100集群的上线提供一个起点。他还提到，OLMoE 模型的发布是AI2致力于开发开源模型、使其性能与封闭模型相媲美的目标的一部分。
在模型的构建方面，AI2决定使用64个小型专家进行精细路由，并在运行时只激活其中的八个。实验表明，OLMoE 在性能上与其他模型相当，但在推理成本和内存存储上却显着降低。 OLMoE 还建立在AI2之前的开源模型OLMO1.7-7B 的基础上，支持4096个标记的上下文窗口。 OLMoE 的训练数据来自多个来源，包括Common Crawl、Dolma CC 和维基百科等。
在基准测试中，OLMoE-1B-7B 在与相似参数的模型比较时，表现优于许多现有模型，甚至超越了更大规模的模型，如Llama2-13B-Chat 和DeepSeekMoE-16B。
AI2的目标之一是为研究人员提供更多完全开源的AI 模型，包括混合专家架构。尽管许多开发者都在使用MoE 架构，但AI2认为大多数其他AI 模型在开放性上还远远不够。
huggingface: https://huggingface.co/collections/allenai/olmoe-66cf678c047657a30c8cd3da
论文入口: https://arxiv.org/abs/2409.02060
划重点:
- AI2发布的新开源模型OLMoE 在性能与成本方面都具备竞争力。
- OLMoE 采用了稀疏混合专家架构，能够有效降低推理成本和内存需求。
- AI2致力于提供全面开源的AI 模型，促进学术研究和开发。
总而言之，OLMoE 的开源发布是大型语言模型领域的一大进步，其高性能、低成本以及完全开源的特性，将极大地推动学术界和工业界的进一步研究与应用。 AI2此举体现了其对开源AI发展的坚定承诺，值得期待未来更多类似的贡献。