Snowflake 加入 LLM 混战。
Snowflake 发布高「企业智能」模型 Arctic，专注于企业内部应用。
刚刚，数据管理和仓库提供商 Snowflake 宣布加入 LLM 混战，发布了一款专注于企业级应用的顶级大型语言模型（LLM）——Snowflake Arctic。
作为一家云计算公司推出的 LLM，Arctic 主要具备以下两个方面的优势：
高效智能：Arctic 在企业任务方面表现出色，例如 SQL 生成、编程和指令遵循，甚至可与使用更高计算成本训练的开源模型媲美。Arctic 为经济高效的训练设定了新的基线，使 Snowflake 客户能够以低成本为其企业需求创建高质量的定制模型。
开源开放：Arctic 采用 Apache 2.0 许可，提供对权重和代码的开放访问，Snowflake 还将开源所有的数据方案和研究发现。
现在，你可以在 Hugging Face 上访问 Arctic 模型。Snowflake 表示：用户很快可以通过一些模型库获取，包括 Snowflake Cortex、AWS、微软 Azure、NVIDIA API、Lamini、Perplexity、Replicate 和 Together 等。
Hugging Face：https://huggingface.co/Snowflake/snowflake-arctic-instruct
Arctic 的上下文窗口设置为 4K，研究团队正在研发基于注意力池（attention-sink）的滑动窗口实现，在未来几周内将支持无限序列生成，并在不久的将来扩展到 32K 注意力窗口。
高性能、低成本
Snowflake 的研究团队从企业客户的 AI 需求和使用案例中看到了一个一致的模式：企业希望使用 LLM 构建对话式 SQL 数据 copilot、代码 copilot 和 RAG 聊天机器人。
这意味着 LLM 需要在 SQL、代码、复杂指令遵循和生成具体响应方面表现出色。Snowflake 将这些能力融合成一个称为「企业智能」的单一指标，具体方式是对编码（HumanEval + 和 MBPP+）、SQL 生成（Spider）和指令遵循（IFEval）性能水平取平均值。
Arctic 在开源 LLM 中达到了顶级的「企业智能」水平，而且是在大约不到 200 万美元的训练计算成本（少于 3K GPU 周）的情况下做到的。这意味着 Arctic 比其他使用类似计算成本训练的开源模型能力更强。
更重要的是，即使与那些使用远高于其的计算成本训练的模型相比，Arctic 在企业智能方面也表现出色。Arctic 的高训练效率意味着 Snowflake 的客户和整个 AI 社区可以以更经济的方式训练定制模型。
如图 1 所示，Arctic 在企业智能指标上与 LLAMA 3 8B 和 LLAMA 2 70B 不相上下，而使用的训练计算成本不到一半。并且，尽管仅使用 1/17 倍的计算成本，Arctic 在编码（HumanEval + 和 MBPP+）、SQL（Spider）和指令遵循（IFEval）等指标上可与 Llama3 70B 媲美，即 Arctic 在保持整体性能竞争力的同时做到了这一点。
此外，Snowflake 还在学术基准上评估了 Arctic，涉及世界知识、常识推理和数学能力，完整评估结果如下图所示：
训练效率
为了达到上述训练效率，Arctic 采用一种独特的 Dense-MoE 混合 transformer 架构。它将一个 10B 的密集 transformer 模型与一个 128×3.66B 的残差 MoE MLP 结合起来，总共有 480B 参数和 17B 活跃参数，使用 top-2 gating 来进行选择。
设计和训练 Arctic 时，研究团队使用了以下三个关键的见解和创新：
MoE 专家数量多，并采取压缩技术
2021 年底，DeepSpeed 团队证明了 MoE 可以应用于自回归 LLM，从而显著提高模型质量而不增加计算成本。在设计 Arctic 时，研究团队注意到，基于这个思路，模型质量的提高主要取决于 MoE 模型中的专家数量和总参数量，以及这些专家的组合方式数量。
基于此，Arctic 被设计为在 128 个细粒度（fine-grained）专家之间分布 480B 参数，并使用 top-2 gating 来选择 17B 活跃参数。
架构与系统协同设计
在强大的 AI 训练硬件上训练具有大量专家的基本 MoE 架构非常低效，因为专家之间的全连接通信开销很高。Snowflake 发现，如果通信可以与计算重叠，就可以省去这种开销。
因此，Arctic 将密集 transformer 与残差 MoE 组件相结合（图 2），通过通信计算重叠，使训练系统能够实现良好的训练效率，隐藏了通信开销的大部分。
聚焦企业数据的课程学习
在代码生成和 SQL 等企业级指标上表现出色需要与通用指标截然不同的数据课程学习（Curriculum Learning）。通过数百次小规模的消融实验，该团队了解到通用技能，如常识推理，可以在初始阶段学习；而编码、数学和 SQL 等更复杂的指标可以在训练后期有效学习。
这可以类比于人类的生活教育，从简单到困难逐步获取能力。因此，Arctic 使用一个三阶段的课程学习，每个阶段的数据构成都不同，第一阶段侧重于通用技能（1T token），后两个阶段侧重于企业技能（1.5T 和 1T token）。
推理效率
推理效率也是模型高效的一个重要方面，影响到模型是否可以在低成本下进行实际部署。
Arctic 代表了 MoE 模型规模的一次飞跃，它比任何其他开源自回归 MoE 模型都使用了更多的专家和总参数。因此，Snowflake 需要几个创新思路来确保 Arctic 能够高效推理：
a) 在批大小较小的交互推理中，例如批大小为 1，MoE 模型的推理延迟受制于读取所有活跃参数的时间，推理是受内存带宽限制的。在这种批大小下，Arctic（17B 活跃参数）的内存读取量仅为 Code-Llama 70B 的 1/4、Mixtral 8x22B（44B 活跃参数）的 2/5，从而具备更快的推理速率。
b) 当批大小显著增加，例如每次前向传递数千个 token 时，Arctic 从内存带宽受限转变为计算受限，推理受到每个 token 的活跃参数的限制。在这方面，Arctic 的计算量是 CodeLlama 70B 和 Llama 3 70B 的 1/4。
为了实现计算受限的推理和与 Arctic 中少量活跃参数相匹配的高吞吐量，需要一个较大的批大小。实现这一点需要有足够的 KV 缓存来支持，同时还需要足够的内存来存储模型的近 500B 参数。
虽然具有挑战性，但 Snowflake 通过使用两个节点进行推理，并结合 FP8 权重、split-fuse 和连续批处理、节点内张量并行以及节点间 pipeline 并行等系统优化来实现。
研究团队已与 NVIDIA 展开密切合作，针对由 TensorRT-LLM 驱动的 NVIDIA NIM 微服务进行推理优化。同时，研究团队还与 vLLM 社区合作，内部开发团队也将在未来几周内为企业用例实现 Arctic 的高效推理。
参考链接：https://www.snowflake.com/blog/arctic-open-efficient-foundation-language-models-snowflake/
