Liquid AI 公司于 9 月 30 日发布了三款 Liquid 基础模型（Liquid Foundation Models，LFM），分别是 LFM-1.3B、LFM-3.1B 和 LFM-40.3B。这些模型采用了非 Transformer 架构，据称在基准测试中超越了同规模的 Transformer 模型。
背景
目前，Transformer 架构是深度学习和自然语言处理领域的主流架构，主要利用自注意力机制捕捉序列中单词之间的关系。包括 OpenAI 的 GPT、Meta 的 BART 和谷歌的 T5 等模型，都是基于 Transformer 架构。然而，Transformer 架构在处理长输入时需要保存键值（KV）缓存，导致输入越长，占用的 RAM 越多。
Liquid AI 的创新
Liquid AI 的 LFM 模型对模型架构进行了“重新设想”，受到“交通信号处理系统、数值线性代数”理念的影响，主打“通用性”，能够针对特定类型的数据进行建模，同时支持对视频、音频、文本、时间序列和交通信号等内容进行处理。
模型特点
- RAM 用量更少：
- LFM 模型能够避免 Transformer 架构在处理长输入时的 RAM 占用问题，通过对外界输入的数据进行压缩，降低对硬件资源的需求。
- 处理长序列：
- 在相同硬件条件下，LFM 模型能够处理更长的序列，特别适用于资源受限的环境和边缘计算场景。
模型详情
- LFM-1.3B：
- 设计目的：专为资源受限的环境设计。
- 优势：在许多基准测试中击败了其他 1B 参数规模的领先模型，包括苹果的 OpenELM、Meta 的 Llama 3.2、微软的 Phi 1.5 和 Stability 的 Stable LM 2。
- LFM-3.1B：
- 设计目的：针对边缘计算进行了优化。
- 优势：不仅超越了 3B 规模的各种 Transformer 模型、混合模型和 RNN 模型，甚至还在特定场景超越了上一代的 7B 和 13B 规模模型，包括谷歌的 Gemma 2、苹果的 AFM Edge、Meta 的 Llama 3.2 和微软的 Phi-3.5。
- LFM-40.3B：
- 设计目的：适用于数学计算、交通信号处理等场景。
- 特点：强调在模型规模和输出质量之间的平衡，拥有 400 亿个参数，但在推理时仅启用 120 亿个参数。Liquid AI 声称这种限制能够提升模型效率、降低模型运行所需的硬件配置。
语言支持
这些模型在通用知识和专业知识的处理上表现突出，能够高效处理长文本任务，还能够处理数学和逻辑推理任务。目前主要支持英语，但也对中文、法语、德语、西班牙语、日语、韩语和阿拉伯语提供有限支持。Liquid AI 的 LFM 模型在非 Transformer 架构的基础上，展示了在资源效率和性能方面的显著优势。这些模型的发布标志着非 GPT 架构模型首次明显超越了 Transformer 模型，为深度学习和自然语言处理领域带来了新的可能性。未来，这些模型有望在资源受限的环境和边缘计算场景中发挥重要作用。
0条评论