MIN:几行代码，GPT-3变ChatGPT！吴恩达高徒、华人CEO震撼发布Lamini引擎

来源：新智元编辑：Aeneas好困

快速定制模型的LLM引擎Lamini来了，开发者狂喜！

ChatGPT虽好，但始终有门槛。通常，只有拥有AI博士学位的大型机器学习团队，才能这样训练一个模型。

为了把这个门槛打下来，团队构建了Lamini引擎，从此，每个开发者都能够拥有从GPT-3训练ChatGPT的超能力！

划重点：可以商用！可以商用！可以商用！

项目地址：https://github.com/lamini-ai/lamini/

Lamini的开发团队表示，你需要的只是几行代码，就可以用托管数据生成器俩训练自己的LLM，包括权重和其他所有的内容。

此外，你也可以使用开源的LLM，用Lamini库对生成的数据进行微调。以及访问完整的LLM训练模块，使用从LoRa等速度优化，到虚拟私有云(VPC)部署等企业功能。

对此，英伟达科学家JimFan表示，LLaMa+自定义数据正在成为新的范式，而Lamini的推出也带了一种全新的模式——FaaS，微调即服务。

Cardano生态DEX Minswap交易量飙升至1800万美元:5月30日消息，Minswap的数据显示，过去几天，基于Cardano的DEX Minswap的交易量从5月初的略高于100万美元飙升至周二的1800万美元。Minswap是Cardano上TVL最大的应用程序，持有网络上价值超过1.75亿美元代币中的37%。

增加的交易量中有很大一部分来自基于Cardano的Meme币snek（SNEK）和bank（BANK）。数据显示，这两种代币的价格在过去24小时内飙升了34%，仅Minswap上就累计交易了4000万美元。[2023/5/30 11:48:01]

MLOps的未来是「LMOps」。哪里有标准化，哪里就有机会。

OpenAI科学家，前特斯拉人工智能总监AndrejKarpathy也表示，LLM定制化的生态正在愈发火爆。

训LLM就像prompt-tuning一样简单

写一个prompt如此容易，但想要从基础模型训练出一个大语言模型，却是如此困难。

因为需要花费大量时间，来找出微调模型失败的原因，所以对数据集微调的迭代周期都是以月为单位的。

与之相反，微调prompt的迭代，只需要几秒钟，并且在几个小时内，性能都能保持稳定。

这个过程只需要把有限数量的数据整合到prompt中就可以了，并不需要动辄几TB的数据。

Mike Novogratz：随着美联储放松加息，比特币和以太坊以及黄金和欧元的表现将优于其他投资:金色财经报道，美国加密货币金融服务公司Galaxy Digital的创始人Mike Novogratz认为，随着美联储(?Fed) 开始放松加息，比特币和以太坊以及黄金和欧元的表现将优于其他投资。

根据 Novogratz 的说法，最近一连串的区域性银行倒闭可能会导致潜在的信贷紧缩，从而导致贷方减少借款人和经济放缓。最明确的交易已经并将继续是做多黄金、做多欧元、做多比特币、做多以太坊——这些资产在美联储停止加息然后降息的情况下应该表现良好。[2023/4/13 14:01:45]

ChatGPT的诞生十分艰难，OpenAI的团队花了几个月的时间，在基础的GPT-3模型上微调，并进行RLHF。这个门槛极高，只有大型的ML团队才能完成这种训练。

有500强企业的技术负责人这样抱怨过：「我们团队的10名机器学习工程师用了OpenAI的微调API，结果我们的模型反而变得更差了，怎么办啊。」

「我真的不知道该怎么充分利用数据，我已经用尽了所有从在线教程中能学到的prompt魔法了。」

这，就是研究者构建Lamini的原因：让每个开发者可以直接从GPT-3训练ChatGPT。

任意LLM，秒变ChatGPT！

Lamini是一个LLM引擎，可以让不仅仅是机器学习专家的任何开发人员，都能在大型数据集中，把高性能的LLM训练得像ChatGPT一样好。

这个过程，只需要Laimini库的几行代码即可。

值得注意的是，这个库中的优化远远超出了现在开发者可以使用的范围，从更具挑战性的优化到更简单的优化。

比如，你想从不同的角度生成一个广告文案。

首先，从llama模块导入LLM引擎：

AVAX市值超过SOL市值:金色财经报道，Avalanche的原生代币AVAX市值超过Solana的原生代币SOL，达到34.7亿美元，而SOL为34.3亿美元。两种代币均下跌，SOL在过去24小时内大幅下跌5.7%，在过去一周内下跌22.7%。行情波动较大，请做好风险控制。[2022/12/30 22:15:28]

fromllamaimportLLMllm=LLM(name="marketing")

接下来，需要定义输入和输出类型。注意，这里一定要包括上下文，因为可以有助于LLM在自然语言中进行理解。

fromllamaimportType,ContextclassAdAspects(Type):tone:str=Context("toneofthemarketingcopy")product_features:list=Context("productfeaturestopromote")audience:str=Context("targetaudienceforthemessage")subject:str=Context("subjectortopicofthemessage")goal:str=Context("goalofthismarketingcampaignandmessage")classAdCopy(Type):title:str=Context("googleadtitletag")description:str=Context("googleaddescription")keywords:list=Context("keywordsforthesearchengine")

然后就可以开始提问了：

语气：大胆，但不傲慢

特色：亚洲酱料和香料、家常调料和套餐包，可以轻松在家烹饪。

aspects=AdAspects(tone="boldandbright,butnotarrogant",product_features=,audience="suburbanfamilies",subject="deliciousasianmealswithoutgoingtoarestaurant",goal="getsuburbanmomsanddadstotrybuytheirfirstomsompackorfreetastingkit")ad_copy=llm(input=aspects,output_type=AdCopy)print(f"Adcopy:{ad_copy}")模型输出：

Galxe集成Boba Network:12月21日消息，Web3基础设施服务商Galxe宣布集成二层扩容解决方案Boba Network。[2022/12/21 21:58:10]

尝试Omsom的美味亚洲酱料、香料、家常调料和套餐包。轻松为家人在家做出美味佳肴。

>title='DeliciousAsianMealsWithoutGoingtoaRestaurant|Omsom'description="TryOmsom'sdeliciousAsiansauces,aromatics,andhome-cookedseasoningsandmealpacks.Easilycookdeliciousmealsathomeforyourfamily."keywords=

如何创建自己的「ChatGPT」

基础模型能理解一般的英语，但如果需要它们学习一些垂直语言和规则，prompt微调并不足够，很多时候我们都需要构建自己的LLM。

利用用下面这个步骤，就能获得像ChatGPT一样遵循指令的LLM。

尝试prompt-tuningChatGPT或其他模型

可以使用Lamini库的API，在不同模型之间快速进行prompt-tuning，只需一行代码，即可在OpenAI和开源模型之间切换。

Lamini库已经优化了正确的prompt，这样开发者就可以使用不同的模型，不必担心如何为每个模型设置prompt的格式。

构建一个包含输入-输出对的大型数据集

Frax Finance已上线以太坊流动性质押代币frxETH:10月21日消息，算法稳定币协议Frax Finance已上线frxETH，支持铸造和质押/解押功能。截至目前已铸造超过1655枚frxETH。

据此前报道，Frax Finance将在两周内公开其在以太坊上的流动性质押协议。此次发布将允许用户质押ETH并获得流动衍生代币Frax Ether（frxETH），旨在释放所质押代币的价值。该衍生品将反映ETH的价格，并可在其他DeFi协议上自由交易。[2022/10/21 16:34:36]

这些数据集会向模型展示，它应该如何响应输入，无论是遵循英文说明，还是以JSON响应。

研究者刚刚发布了一个只有几行代码的repo，使用Lamini库，仅从100个数据点中，就能生成50k数据点。

而且因为使用Lamini库来启动Lamini引擎，所以这个过程根本不需要用到GPU。

在repo中，已经包含一个开源的70+k数据集。

项目地址：https://github.com/lamini-ai/lamini/

在大型数据集上微调基础模型

除了数据生成器，研究者还发布了一个LLM，它使用Lamini对生成的数据进行了微调。以编程方式执行此操作的功能也会很快发布。

也可以把OpenAI的微调API作为起步。

在微调模型上进行RLHF

使用Lamini，就不再需要大型ML和人工标记团队来运行RLHF。

部署到云端

只需点击产品或功能中的API端点即可。

专为LLM打造的数据生成器

简单来说，依照以下几个步骤，就可以训练自己的大语言模型了。

用于优化prompt微调和类型化输出的Lamini库。

用于微调和RLHF的高级Lamini库，只需几行代码。

史上首个托管数据生成器，用于创建数据，来训练遵循指令的LLM。注意，已获得商业使用许可！

开源的指令跟随LLM，使用上述工具，只需几行代码即可完成。

数据生成器工作原理

Lamini数据生成器是一个LLM管线，它采用原始的100多条指令的小集合，与预期的响应配对，生成50k+新的配对，灵感来自Stanford的Alpaca。这个生成管线使用Lamini库来定义和调用LLM，以生成不同但相似的指令和响应对。

根据这些数据训练后，你的LLM会遵循这些指示，因而得到改进。对于使用开源LLM的生成管线，研究者提供了一个很好的默认值，LaminiOpen和LaminiInstruct。

随着每天新的LLM发布，研究者都会将默认值更新为性能最佳的模型。在目前的版本中，LaminiOpen用的是EleutherAI的Pythia，LaminiInstruct用的是Databricks的Dolly。

LaminiOpen会生成更多指令，而LaminiInstruct会生成这些指令的成对响应。

最终生成的数据集可供免费商业使用，已经通过CC-BY许可。

仅用一行代码，就可以将Lamini库的默认值换成其他开源或OpenAI模型。

研究者发现，OpenAI模型的平均表现更好，但它们的许可限制了将生成数据用于训练类ChatGPT模型的商用。

对生成数据进行微调

在这个过程中，生成的数据会质量不一。

在微调之前，下一步就是将生成的数据过滤为高质量数据。

然后，Lamini会通过在这个过滤后生成的数据集上训练基础模型，来创建自定义LLM。

研究者已经发布了一个开源指令跟随LLM，可以用Lamini来训练Pythia基础模型，生成的37k指令是从70k中筛选出来的。

显然，Lamini库的出现，让迭代周期变得更快、更有效，有更多的人能够构建模型，而不仅仅是试验各种prompt。

团队介绍

SharonZhou是Lamini的联合创始人兼首席执行官。

个人主页：https://sharonzhou.me/

她在哈佛大学获得了计算机科学与古典文学联合学士学位，并以最高荣誉获得了硕士学位。

随后，她在斯坦福大学获得了计算机科学博士学位，师从吴恩达。

2022年，29岁的Zhou入选《麻省理工科技评论》「35岁以下科技创新35人」。

GregoryDiamos是MLPerf的联合创始人。

他曾是百度硅谷AI实验室的创始成员，对DeepSpeech和DeepVoice系统有贡献。

参考资料：

https://lamini.ai/blog/introducing-lamini

标签：MINMINIPROROMgemini郭家毅图片壁纸Mini Flokiprom币前景CAROM价格

火星币热门资讯