一条磁力链爆全网Mixtral 8x7B论文来了！每token仅需激活13B参数

sunsili

一条磁力链爆全网Mixtral 8x7B论文来了！每token仅需激活13B参数

【新智元导读】爆火社区的Mixtral 8x7B模型，今天终于放出了arXiv论文！所有模型细节全部公开了。

还记得一个月前，Mistral AI突然公布的一条磁力链接，引爆了整个AI社区。

紧接着，Mixtral 8x7B的技术细节随之公布，其表现不仅优于Llama 2 70B，而且推理速度提高了整整6倍。

甚至，它在大多数标准基准测试上与GPT-3.5打平，甚至略胜一筹。

今天，这家法国初创正式发布了Mixtral 8x7B混合专家模型（Mixtral of Experts）的论文。

编辑：桃子 好困 【新智元导读】爆火社区的Mixtral 8x7B模型，今天终于放出了arXiv论文！所有模型细节全部公开了。 还记得一个月前，Mistral AI突然公布的一条磁力链接，引爆了整个AI社区。 紧接着，Mixtral 8x7© 由 新智元 提供

论文地址：https://arxiv.org/abs/2401.04088

网友纷纷表示，最好的开源模型论文终于发布了。

一条磁力链爆全网Mixtral 8x7B论文来了！每token仅需激活13B参数© 由 新智元 提供

具体技术细节，我们一探究竟。

架构

Mixtral是一个稀疏的混合专家网络，而且是一个纯解码器模型。其中前馈块从一组8个不同的参数组中进行选择。

在每一层，对于每个token，路由网络都会选择其中的两个组「专家」来处理token，并将它们的输出相加。

这项技术不仅增加了模型的参数数量，而且控制了成本和延迟，因为模型每处理一个token只会使用部分参数。

具体来说，Mixtral使用32000个token的上下文信息时进行了预训练。在多项基准测试中，它的性能达到或超过Llama 2 70B和GPT-3.5。

尤其，Mixtral在数学、代码生成和多语言理解任务方面，表现卓越，并在这些领域显着优于Llama 2 70B。

而且研究表明，Mixtral能够成功地从32k token的上下文窗口中检索信息，无论序列长度和信息在序列中的位置如何。

架构细节

Mixtra基于Transformer架构打造，并使用了「Mistral 7B」论文中一些模型修改方法。

但明显不同的是，Mixtral完全支持32k token的全密集上下文长度，并且前馈块被混合专家层（Mixture-of-Expert layer）所取代。先看如下表1，汇总了模型架构的具体参数。

一条磁力链爆全网Mixtral 8x7B论文来了！每token仅需激活13B参数© 由 新智元 提供

稀疏混合专家

下图所示，研究人员具体介绍了混合专家层。

这是一个处理输入数据的特殊层，在这里，每个输入数据点都会被分配给8个处理单元（称为「专家」）中的2个。

这个分配过程是由一个路由完成的，但这里的路由并不是我们通常说的网络设备，而是神经网络中的一个组件，它负责决定哪些「专家」来处理特定的数据点。

一条磁力链爆全网Mixtral 8x7B论文来了！每token仅需激活13B参数© 由 新智元 提供

每个「专家」实际上是一个处理模块，它们各自独立处理被分配的数据，并输出结果。

最终，这层的输出结果是由这2个被选中的「专家」的输出经过特定的加权计算后得到的。

在Mixtral这个系统中，每个「专家」其实就是一个标准的前馈网络模块，这种模块也被用在了我们所说的标准Transformer模型架构中。

一条磁力链爆全网Mixtral 8x7B论文来了！每token仅需激活13B参数© 由 新智元 提供

混合专家层（Mixture of Experts Layer）

MoE层可以在具有高性能专用内核的单个GPU上高效运行。

比如Megablocks将MoE层的前馈网络（FFN）操作转换为大型稀疏矩阵乘法，显着提高了执行速度，并自然地处理不同专家获得分配它们的可变数量token的情况。

此外，MoE层可以通过标准模型并行技术以及一种称为专家并行（EP）的特殊分区策略分布到多个GPU。

在MoE层执行期间，本应由特定专家处理的token将被路由到相应的GPU进行处理，并且专家的输出将返回到原始token位置。

结果

研究人员对Mixtral和Llama进行了对比研究，为了确保比较的公正性，并重新运行了所有的基准测试，这一次采用了内部开发的评估流程。

研究人员在多种不同的任务上进行了性能评估，这些任务可以分为以下几类：

- 常识推理（零样本）：包括Hellaswag，Winogrande，PIQA，SIQA，OpenbookQA，ARC-Easy，ARC-Challenge，以及CommonsenseQA

- 世界知识（少样本，5个样本）：涵盖了NaturalQuestions和TriviaQA

- 阅读理解（零样本）：BoolQ和QuAC

- 数学：GSM8K（少样本，8个样本）使用了多数投票法（maj@8），以及MATH（少样本，4个样本）同样采用了多数投票法（maj@4）

- 编程代码：Humaneval（零样本）和MBPP（少样本，3个样本）

- 综合性测试：MMLU（少样本，5个样本），BBH（少样本，3个样本），还有AGI Eval（少样本，3至5个样本，仅限英语选择题）

可以看到，在所有基准测试中，Mixtral的表现都超过，或至少与Llama 2 70B相当。值得一提的是，在数学和代码生成这两个领域，Mixtral显著优于Llama 2 70B。

一条磁力链爆全网Mixtral 8x7B论文来了！每token仅需激活13B参数© 由 新智元 提供

Mixtral与不同参数的Llama模型在一系列基准测试中的性能对比

如下表2展示了Mixtral 8x7B、Mistral 7B以及Llama 2 7B/13B/70B和Llama 1 34B的详细结果。

一条磁力链爆全网Mixtral 8x7B论文来了！每token仅需激活13B参数© 由 新智元 提供

模型参数规模与效率对比

研究人员将Mixtral模型的性能与Llama 2系列做了对比，目的是要探究Mixtral在成本与性能比上的高效性（图3）。

作为一种稀疏的混合专家模型（Sparse Mixture-of-Experts model），Mixtral每处理一个token只需激活13B参数。尽管活跃参数减少了5倍，但Mixtral在大部分领域的表现仍然超过了Llama 2 70B。

此外，需要指出的是，这项分析主要关注活跃参数的数量，这个数量直接关联到推理阶段的计算成本，不过并未涉及内存成本和硬件的使用效率。

用于运行Mixtral的内存成本与其稀疏参数的总数有关，总共为47B，这仍然比Llama 2 70B参数要少。

关于硬件的使用率，研究人员注意到由于专家模型的路由机制，SMoEs层会引入额外的计算成本。

而且当每个硬件设备运行多个专家模型时，由于内存需求增加，也会带来更高的成本。这种模型更适用于可以实现高运算密度的批量处理任务。

与Llama 2 70B和GPT-3.5的性能比较

在表3中，研究人员展示了Mixtral 8x7B与Llama 2 70B、GPT-3.5在性能上的对比结果。

通过对比，研究人员还发现Mixtral在多个方面表现媲美，甚至超越了另外两个模型。

在多模态学习理解（MMLU）的评测中，Mixtral尽管在模型参数量上较小（47B token对比70B），性能却更胜一筹。

至于机器翻译评测（MT Bench)，研究人员则是报告了当前最新的GPT-3.5-Turbo模型，即gpt-3.5-turbo-1106版本的性能数据。

一条磁力链爆全网Mixtral 8x7B论文来了！每token仅需激活13B参数© 由 新智元 提供

可以看到，在所有基准测试中，Mixtral的表现普遍优于Llama 2 70B，唯一的例外是在阅读理解基准测试中，当其激活参数数量仅为Llama 2 70B的1/5时。

特别是在代码和数学领域，Mixtral显著胜过Llama 2 70B。

一条磁力链爆全网Mixtral 8x7B论文来了！每token仅需激活13B参数© 由 新智元 提供

Mixtral（7B/8x7B）与 Llama 2（7B/13B/70B）在MMLU、常识推理、世界知识、阅读理解、数学和代码方面的比较结果

多语言基准

与Mistral 7B相比较，研究人员在模型预训练阶段，显著提高了多语言数据的比重。

这种增加的模型参数让Mixtral在多语种的性能评估中表现出色，同时还不损失对英语的准确度。

尤其值得一提的是，Mixtral在处理法语、德语、西班牙语和意大利语的任务上，明显胜过了Llama 2 70B，具体成绩可以参见表4。

一条磁力链爆全网Mixtral 8x7B论文来了！每token仅需激活13B参数© 由 新智元 提供



长距离性能

为了检验Mixtral在处理涉及广泛信息的情境下的表现，研究人员还提出了一项称为passkey检索的任务对其进行测试。

这项任务是专门设计来评估模型在面对一个包含随机插入的passkey的长篇提示信息时，恢复passkey的能力。

图4（左）的结果表明，无论上下文有多长或者passkey出现在文本序列的哪个位置，Mixtral都能保持100%的恢复精度。

而图4（右）则展示了Mixtral在proof-pile数据集的一个子集上的困惑度（perplexity），随着上下文量的增加，其困惑度呈现出单调下降的趋势。

一条磁力链爆全网Mixtral 8x7B论文来了！每token仅需激活13B参数© 由 新智元 提供

指令微调

此外，研究人员还开发了Mixtral–Instruct模型，首先在一个指令数据集上进行了监督微调（SFT），然后在一个成对的反馈数据集上采用了直接偏好优化（DPO）。

在MT-Bench的评估中，Mixtral–Instruct取得了8.30的高分（表2），成为了截至2023年12月表现最佳的开源权重模型。

LMSys进行的人工评估结果显示在图6，结果表明Mixtral–Instruct的表现超越了GPT-3.5-Turbo、Gemini Pro、Claude-2.1以及Llama 2 70B chat模型。

一条磁力链爆全网Mixtral 8x7B论文来了！每token仅需激活13B参数© 由 新智元 提供

路由分析

最后，研究人员对路由器如何选择「专家」进行了简要分析。特别是在训练期间，是否会有「专家」选择专攻某些特定的领域（如数学、生物学、哲学等）。

为了探究这一点，研究人员对The Pile验证数据集的不同子集进行了「专家」选择分布的测量，结果如图7所示。涉及模型的第0层、第15层和第31层（最后一层）。

出乎意料的是，这里并没有发现明显的基于主题分配「专家」的模式。

比如，在所有层中，无论是arXiv论文（用LaTeX编写）、生物学领域（PubMed摘要）还是哲学领域（PhilPapers文件），「专家」的分配分布都非常相似。

只有在数学领域（DM Mathematics）中，「专家」的分布略有不同。

研究人员认为，这种差异可能是因为数据集本身是合成的，且对自然语言的覆盖上有限，尤其是在模型的第一层和最后一层，隐藏状态分别与输入和输出嵌入高度相关。

而这也表明，路由器确实表现出了一些结构化的句法行为。

一条磁力链爆全网Mixtral 8x7B论文来了！每token仅需激活13B参数© 由 新智元 提供

图8展示了不同领域（Python 代码、数学和英语）的文本示例。其中，每个token都用不同的背景色标注，便于查看对应分配到的「专家」。

可以发现，像Python中的「self」和英文中的「Question」这样的词语，虽然包含有多个token，但往往被分配给同一个「专家」。同样，相邻的token也会被分配给同一位「专家」。

在代码中，缩进的token也总是被指派给相同的「专家」，这一点在模型的第一层和最后一层尤为显著，因为这些层的隐藏状态与模型的输入和输出更加紧密相关。

此外，根据The Pile数据集，研究人员还发现了一些位置上的邻近性（positional locality）。

一条磁力链爆全网Mixtral 8x7B论文来了！每token仅需激活13B参数© 由 新智元 提供

表5展示了在不同领域和网络层中，连续token被同一个「专家」选中的比例。

在网络的上层，这种连续性的重复分配远高于随机分配的概率。这一现象对于模型的优化——加速训练和推理过程，有重要的启示。

例如，在专家并行（Expert Parallelism）处理中，那些位置上具有高邻近性的情况更容易导致某些「专家」被过度使用。不过，这种邻近性也可以用于缓存技术。

一条磁力链爆全网Mixtral 8x7B论文来了！每token仅需激活13B参数© 由 新智元 提供

关于这些「专家」被选择的频率，图10提供了一个更全面的视角，涵盖了所有网络层和不同的数据集。

一条磁力链爆全网Mixtral 8x7B论文来了！每token仅需激活13B参数© 由 新智元 提供

结论

在这篇论文中，研究人员介绍了第一个性能达到SOTA的开源专家混合网络——Mixtral 8x7B。

在人类评估基准中，Mixtral 8x7B Instruct的表现超越了Claude-2.1、Gemini Pro以及GPT-3.5-Turbo。

Mixtral的一大特点是，它在处理每个token时，仅激活使用13B参数，而这一数值远低于Llama 2 70B所使用的70B参数。

现在，研究人员已经把训练和微调后的模型在Apache 2.0开源许可下公开，以便社区成员可以自由使用。

一条磁力链爆全网Mixtral 8x7B论文来了！每token仅需激活13B参数© 由 新智元 提供

参考资料：

https://arxiv.org/abs/2401.04088

https://github.com/mistralai/mistral-src

https://mistral.ai/news/mixtral-of-experts/