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。
2000万枚USDT从Bitfinex转出:金色财经报道，Whale Alert数据显示，北京时间10月14日05:04，2000万枚USDT从Bitfinex转入0xd41c开头未知钱包地址，交易哈希为：0xa902c5caf6640390db152eab469f2a7ed1be194931827dbca218a30078fa3ca3。[2020/10/14]
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。
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。
比特币闪电初创公司LastBit与Visa合作启用借记卡快速支付:8月25日消息，比特币闪电初创公司LastBit推出了测试版应用程序，将启用Visa快速支付通道。用户打开应用程序将比特币加载进去，就可立即使用数字借记卡发送比特币支付。（Coindesk）[2020/8/25]
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：
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")
声音 | 比特股BTS理事：以太坊上的ERC20资产BTS并非真正Bitshares 请谨防受:随着最近这几天的数字资产行情的回暖，有社区发现通过以太坊的ERC20发布的BTS转账交易，用户疑似受。比特股BTS理事巨蟹在其个人朋友圈表示，BTS/Bitshares是由Daniel Larimer创立的独立公链，上线早于Ethereum，ETH上的ERC20资产BTS并非真正的Bitshares，请各位投资者注意分辨，谨防上当受。[2019/4/3]
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：
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=
加密货币总市值为9721.98亿美元:金色财经报道，据CoinGecko数据显示，当前加密货币市值为9721.98亿美元，24小时交易量为743.87亿美元，当前比特币市值占比为37.9%，以太坊市值占比为16.5%。[2022/9/30 22:41:54]
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
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。
Celsius发布iOS移动应用程序v5.2.0版本:7月2日消息，去中心化社区社交网络Celsians发推称，Celsius已发布其iOS移动应用程序的v5.2.0版本。[2022/7/2 1:46:32]
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
郑重声明： 本文版权归原作者所有， 转载文章仅为传播更多信息之目的， 如作者信息标记有误， 请第一时间联系我们修改或删除， 多谢。