微信扫码
与创始人交个朋友
我要投稿
大家好,我是花哥。
在当前的AI革命中,大模型扮演着至关重要的角色,而这背后的基础便是Scaling Law。简而言之,随着数据、参数和计算能力的不断提升,大模型的能力也随之增强,展现出小规模模型所无法比拟的“涌现能力”。越来越多的AI企业纷纷推出开源大模型,按照扩展定律实现指数级的增长,为AI领域的发展注入了新的活力和动力。
然而,另一个不可忽视的趋势是,大型模型的体积正在逐渐缩小,这为私有化部署提供了可能。这一趋势对于个人隐私保护要求较高的场景尤为重要。通过无需联网传输数据,直接在设备上运行的AI技术,我们可以增强用户的信任感。尽管云服务器上的AI可能具备更高的性能,但其安全性和可靠性却令人担忧。因此随着模型体积的减小,私有化部署将成为更加可行和受欢迎的选择。
本文介绍几个适合私有化部署的最新大模型,并提供部署指导,手把手部署到电脑及手机。
热门的大模型如ChatGPT和Bard受限于专有闭源技术,限制了其应用并模糊了技术透明度。相比之下,开源AI大型模型(LLMs)如Meta的Llama 3和微软的Phi3,不仅增强了数据安全和隐私保护,还降低了成本、减少了外部依赖,并实现了代码透明和模型定制。这些“小而美”的开源模型便于部署,预示着AI技术将更为开放、透明和灵活。
近期,Meta发布了开源Llama 3 8B和Llama 3 70B模型,Meta称它们是同体量下性能最佳的开源模型。基准测试显示,Llama 3 400B+实力与Claude和新版GPT-4 Turbo相当,在顶尖模型中占据重要地位。
模型链接:https://llama.meta.com/llama-downloads/
GitHub项目地址:https://github.com/meta-llama/llama3
Phi是微软AI研究院的新开源小型语言模型,专为商业环境设计,小巧高效。它包括Mini、Small和Medium三种规模。Phi-3-Mini虽有3.8B参数,但在关键测试中表现出色,与大型模型如Mixtral 8x7B和GPT-3.5相当。更大版本在扩展数据集下表现更佳。
Phi-3 技术报告:《一个能跑在手机上的大模型》https://arxiv.org/abs/2404.14219
基准测试显示,Llama 3 8B和Phi3 3.8B小模型表现优异。在小规模参数的背后,还有相似的优化方法。由于大型模型性能的关键在于框架、数据和参数。小参数下使用MOE框架意义不大,因此这两个模型注重数据优化,提高数量和质量,这也为精简大型模型指明了方向。
Ollama是部署大型语言模型的强大工具,兼容Llama 3、Mistral、Gemma等模型。部署过程简洁明了:下载并安装Ollama,随后运行模型。
以Windows为例,轻松从官网或文末获取Ollama,一键安装即可。官网下载链接 https://github.com/ollama/ollama
安装好Ollama后,在命令行中输入【ollama run llama3】并运行,即可轻松下载并启动llama3大型模型(其他模型的运行命令同样适用)。初次下载模型可能需要一些时间,完成后,就可以开始与模型愉快地对话了。
Ollama还支持其他功能如,图片等多模态输入、传入提示词调教模型等,具体可以看下文档。
与电脑相比,手机在部署大模型方面展现出更大的意义。这是因为手机与我们的日常生活联系得更为紧密,且手机中储存着大量的个人数据,为后续交互提供了极大的便利。当前,许多人手头都有闲置的手机,如果其性能足够强大,那么运行大模型便成为了一个不错的选择。以我的旧手机小米8为例,可以应对这一需求。
要在手机上部署大模型,使用Termux+Ollama就成了。
尽管在手机上部署稍显繁琐,类似于电脑的安装配置过程,但需要搭建Linux环境。尽管安卓系统的底层建立在Linux内核之上,但重新装载Linux并非易事。然而,我偶然发现了一款名为Termux的出色工具,它能在Android设备上流畅运行众多Linux命令和应用程序。只需访问F-Droid官方网站,便能轻松下载安装Termux,为您的移动设备增添强大的Linux功能。
官网下载链接:https://github.com/termux/termux-app/releases
安装后打开Termux如下图。(如有要打开多个Linux窗口,左上角右滑点击New session就可以。)
第一步,利用Termux的proot-distro功能,可便捷安装Linux系统如Ubuntu、Debian或Arch Linux。
// 先来安装proot-distro
pkg install proot-distro
//使用proot-distro安装一个debian
proot-distro install debian
// 安装成功后通过login命令就直接进入debian,为发行版启动一个root shell
proot-distro login debian
第二步,同电脑的流程,安装Ollama,下载及运行大模型。
//进入之后再来安装ollama
curl -fsSL https://ollama.com/install.sh | sh
// 安装完毕可以查看ollama版本进行验证,出现版本号之后就可以使用ollama
ollama -v
// 后台开启ollama服务
nohup ollama serve &
//运行大模型(其他模型的命令如下图,可通过ollama list查看模型)
ollama run phi3
第一次安装软件和大模型首次可能会花费较长时间,大约需要一小时。但安装完成后,后续使用便捷。只需运行debian系统的login、Ollama服务以及大模型,即可开始使用。
在手机上编写代码有其独特魅力,输入代码并看到屏幕上的输出感觉很酷。然而,安装远程软件如Tailscale或todesk,用电脑编写代码更有趣。但需注意,算力受限会影响大模型的响应速度,同时会增加手机电量消耗。
模型表现:大模型表现权威的数据可以看一些相关的测评,比如下图。
经过我初步的测试与体验,手机本地部署的两大模型llama3和Phi3各有千秋。llama3展现出了稳健的性能,而Phi3则在反应速度上占据优势,给我的综合感受带来了不小的惊喜。
响应速度方面,必须承认,无论是手机还是电脑,性能的高低都会对模型的表现产生影响。若能在配备GPU的电脑上运行,或许能得到更为流畅的体验。但在手机上,这两款模型的反应速度确实略显迟缓,有时甚至需要耐心等待几分钟才能得到简短的回应。值得一提的是,Phi3的反应速度明显超过了llama3,这在模型规模上形成了有趣的对比——llama3的8B模型几乎是Phi3的3.8B模型的两倍。
对于中文处理能力,这些开源模型确实存在一些不足。当面对一些不常见的问题时,模型有时会在回答中突然转向英文。此外,很多中文表达含糊不清,导致笑话内容显得有些尴尬。这背后的原因在于,高质量的中文数据集与英文数据集相比仍有较大差距,这一数据层面的差异在未来或许会愈发明显。在中文任务的处理上,llama的表现似乎更胜一筹。如有兴趣,不妨尝试llama的中文版——llama3-Chinese,或许会带来不一样的惊喜。
llama3
phi3
代码能力:看着都有模有样的,但还是可以看出来Phi3有一些语法错误。
llama3
phi3
数学推理:看着都还不错,Phi3感觉更好些。
llama3
phi3
安全性:都有不错的合规意识
llama3
phi3
我们不禁感慨,虽然目前AI的实际应用仍显得零星,但技术的发展确实需要时间的积累。大型模型的昂贵推理成本无疑限制了其广泛的推广和应用。
然而,正是像Llama 3和Phi3这样的小模型的崭露头角,让我们看到了大型模型实用化的希望。虽然小模型的训练成本相对较高,但它们低廉的推理成本为整体经济带来了显著的节省,尤其是在为海量用户提供服务时,高性能的小模型让AI摆脱了成本的束缚,更加灵活地应用于各种场景。想象一下,如果我们能够根据自己的需求在本地部署定制化的AI,那种魅力将是无法言喻的!
展望未来,相信随着模型的不断优化和定制AI芯片等技术的快速发展,更多“小而美”的AI大模型将逐渐融入我们的日常生活,让我们更加深入地感受到AI带来的巨大变革!
关注↓ 回复【term】下载相关工具
53AI,企业落地应用大模型首选服务商
产品:大模型应用平台+智能体定制开发+落地咨询服务
承诺:先做场景POC验证,看到效果再签署服务协议。零风险落地应用大模型,已交付160+中大型企业
2024-03-30
2024-04-26
2024-05-10
2024-04-12
2024-05-28
2024-05-14
2024-04-25
2024-07-18
2024-04-26
2024-05-06
2024-12-22
2024-12-21
2024-12-21
2024-12-21
2024-12-21
2024-12-20
2024-12-20
2024-12-19