最强开源大模型再度易主，这家初创公司是如何做到的？

今天小编分享的互联网经验：最强开源大模型再度易主，这家初创公司是如何做到的？，欢迎阅读。

文 |

在 Claude 3 Opus 将 GPT-4 挑落马下的同时，又是一款「最强开源大模型」来了。

当地时间 3 月 27 日，美国初创公司 Databricks 突然公布了旗下开源大语言模型 DBRX，号称是全球迄今为止最强的开源大模型，参数规模达到 1320 亿，表现更是超越 Meta 的 Llama2、「欧洲新秀」Mistral AI 的 Mixtral，以及马斯克旗下 xAI 公司刚刚开源的 Grok-1。

更重要的是，他们只花了 2 个月和 1000 万美元，在性能全面超越 GPT-3.5 的同时，训练时间和成本都只有 GPT-3.5 的一小部分。

不过公允来说，这当然不是一种合理的比较。一方面是 GPT-3.5 发布时的技术和算力成本，都很难和今时今日相提并论；另一方面是，DBRX 采用了与很多大模型不同的：

Mixture of Experts 专家混合架构。

「刷新」开源大模型性能，DBRX 验证了大模型训练的另一条路

Databricks 说 DBRX 大模型是全球最强，并非空穴来风。

首先，DBRX 在语言理解、编程和数学等核心能力的基准测试上，很轻松就击败了 Llama2-7B、Mixtral 以及 Grok-1。包括在开源基准测试 Gauntlet 的 30 多个测试中，DBRX 也优于所有对比模型。

图 / Databricks

另外，不只是开源大模型，DBRX 在大部分基准测试中的表现也超越了 GPT-3.5，甚至在多个测试中非常接近公认第一梯队的 GPT-4。

最后也是关键的，尽管 DBRX 拥有 1320 亿参数，Llama 2 的参数规模是 700 亿，Mixtral 是 450 亿，Grok 则达到了 3140 亿，但在实际运行中，DBRX 平均只激活约 360 亿参数来进行推理。

这也让 DBRX 拥有了更快的生成速度和更低的推理成本，简而言之就是更好的使用体验和性价比。

而做到这一切的基础，在于前文提到的专家混合框架。

众所周知，算力、数据和算法是人工智能的三要素。在算法上，谷歌团队于 2017 年发布的 Transform 架构至今依然是所有大模型的底层架构。DBRX 则在 Transform 架构的基础，采用了一种最早于 2022 年年底提出的专家混合架构，事实上包括前面提到的 Mistral AI 也在去年推出了基于该架构的 Mixtral 8x7B。

提出专家混合架构的论文，图 / arXiv

在该架构下，根据具体询问的内容和问题，模型只会激活不同的「专家」子模块进行推理，在吞吐量一定的情况下，可以更快地完成推理、给出回答。换言之，DBRX 的参数规模将近 Llama-70B 的两倍，性能更强也更聪明，同时实际的推理速度和成本也都来得更好：

让大模型的性能和速度变得「鱼和熊掌，可以兼得」。

再加之训练的最后阶段，Databricks 的开发团队还将重点转向数据，采用「课程学习」的方式提高了 DBRX 的性能。

最终，「我们将开源大模型推向了新的技术水平，」Databricks 首席神经网络架构师兼 DBRX 构建团队负责人 Jonathan Frankle 说。

值得一提的是，Jonathan Frankle 在接受《连线》杂志采访时还透露，尽管他们相信专家混合框架的潜力，但在 DBRX 真正训练出来并完成基准测试之前，其实也不敢笃定最后的效果，甚至根本没想到 DBRX 还有在代码生成上的优势。

但不论如何，DBRX 都可能改变大模型的迭代和应用方式，更可以确定的是，开源大模型之争，还在继续加剧。

开源大模型：从 Meta 独占鳌头，到百家争鸣

前段时间，央视报道指出国产大模型之路面临的三大挑战，其中之一就是大多数国产模型基于 Meta 的 Llama 大模型，缺乏自主性。

其实不仅在国内，去年 7 月 Llama2 宣布「免费可商用」推出后，一举成为了全球开发者首选的开源大模型。毕竟只要经过简单的微调就能直接应用，何乐而不为。

不过 AI 行业的变化来得又快又凶猛：

先是 Mistral AI 发布 Mistral-7B，宣告全面超越更大参数规模的 Llama2-13B；

不久后，阿里宣布开源 720 亿参数的大语言模型通义千问 Qwen-72B，性能超越标杆 Llama2-70B，号称最强中文开源模型；

稍晚，谷歌也通过发布 Gemma 开始进入开源大模型的竞争，凭借 70 亿参数碾压 Llama2-13B（130 亿参数）。

现在我们又看到了，Databricks 也带着最新发布的 DBRX 加入了这场开源大模型之争。

打造 DBRX 的团队，图 / Databricks

其实如果从业务层面，这几家开源大模型并没有太大的矛盾，比如 Databricks 作为一家面向企业的初创公司，打造 DBRX 的根本目的还是为企业客户定制大模型。按照官方的说法，从发布之日开始，企业客户就能在 Databricks 平台上利用 RAG 系统中的长上下文功能，用自己的私有数据构建一个自定义的 DBRX 模型。

但开源大模型之争的根源在于：不管开发者还是用户，都更倾向于最好的开源项目，群聚效应可能远比闭源大模型来得明显。

换句话说，最好的开源大模型往往会吸引闭源大模型之外的绝大部分厂商、开发者和用户，并基于此推动大模型的快速迭代和生态扩张。如果类比起来，就像是智能手机早期，Android 在一众移动作業系統（iOS 除外）中脱颖而出，并一举成为苹果之外厂商、开发者和用户的共同选择，随后走上了体验改进和生态扩张的快车道。

战争还在继续

显而易见，大模型的战争还在继续，就算是 OpenAI 也不敢一刻放松技术上的领先优势。君不见在最新的 Chatbot Arena 聊天机器人排行榜中，Claude 3 Opus 在经过时间洗礼和群众检验后已经超越了 GPT-4。