MINI:幾行代碼，GPT-3變ChatGPT！吳恩達高徒、華人CEO震撼發布Lamini引擎_ROM

來源：新智元編輯：Aeneas好困

快速定制模型的LLM引擎Lamini來了，開發者狂喜！

ChatGPT雖好，但始終有門檻。通常，只有擁有AI博士學位的大型機器學習團隊，才能這樣訓練一個模型。

為了把這個門檻打下來，團隊構建了Lamini引擎，從此，每個開發者都能夠擁有從GPT-3訓練ChatGPT的超能力！

劃重點：可以商用！可以商用！可以商用！

項目地址：https://github.com/lamini-ai/lamini/

Lamini的開發團隊表示，你需要的只是幾行代碼，就可以用托管數據生成器倆訓練自己的LLM，包括權重和其他所有的內容。

此外，你也可以使用開源的LLM，用Lamini庫對生成的數據進行微調。以及訪問完整的LLM訓練模塊，使用從LoRa等速度優化，到虛擬私有云(VPC)部署等企業功能。

對此，英偉達科學家JimFan表示，LLaMa+自定義數據正在成為新的范式，而Lamini的推出也帶了一種全新的模式——FaaS，微調即服務。

JPEG'd：JPEG'd合約未被黑客攻擊，NFT與財庫資金安全:7月31日消息，DeFi公共產品JPEG'd發推稱，pETH-ETH曲線池遭遇攻擊。允許借用NFT的金庫合約是安全的，仍在正常運行。NFT與財庫資金安全。JPEG'd合約沒有被黑客攻擊，是安全的。

金色財經此前報道，據Beosin旗下Beosin EagleEye安全風險監控、預警與阻斷平臺監測顯示，JPEG'd遭遇攻擊，損失至少約1000萬美元。JPEG'd遭遇攻擊的根本原因在于重入，攻擊者在調用remove_liquidity函數移除流動性時通過重入add_liquidity函數添加流動性，由于余額更新在重入進add_liquidity 函數之前，導致價格計算出現錯誤。[2023/7/31 16:08:05]

MLOps的未來是「LMOps」。哪里有標準化，哪里就有機會。

OpenAI科學家，前特斯拉人工智能總監AndrejKarpathy也表示，LLM定制化的生態正在愈發火爆。

訓LLM就像prompt-tuning一樣簡單

寫一個prompt如此容易，但想要從基礎模型訓練出一個大語言模型，卻是如此困難。

因為需要花費大量時間，來找出微調模型失敗的原因，所以對數據集微調的迭代周期都是以月為單位的。

與之相反，微調prompt的迭代，只需要幾秒鐘，并且在幾個小時內，性能都能保持穩定。

這個過程只需要把有限數量的數據整合到prompt中就可以了，并不需要動輒幾TB的數據。

過去一周主流Layer2中僅dYdX TVL實現增長，增幅為1.11%:7月8日消息，L2BEAT數據顯示，目前以太坊Layer2總鎖倉量為95.2億美元，7日降幅為2.83%。

其中鎖倉量前五分別為：Arbitrum One（鎖倉量57.2億美元，7日降幅2.72%）、Optimism（鎖倉量21.4億美元，7日降幅4.14%）、zkSync Era（鎖倉量6.81億美元，7日漲幅2.16%）、dYdX（鎖倉量3.48億美元，7日增幅1.11%）、Immutable X（鎖倉量9747萬美元，7日降幅3.52%）。[2023/7/8 22:25:33]

ChatGPT的誕生十分艱難，OpenAI的團隊花了幾個月的時間，在基礎的GPT-3模型上微調，并進行RLHF。這個門檻極高，只有大型的ML團隊才能完成這種訓練。

有500強企業的技術負責人這樣抱怨過：「我們團隊的10名機器學習工程師用了OpenAI的微調API，結果我們的模型反而變得更差了，怎么辦啊。」

「我真的不知道該怎么充分利用數據，我已經用盡了所有從在線教程中能學到的prompt魔法了。」

這，就是研究者構建Lamini的原因：讓每個開發者可以直接從GPT-3訓練ChatGPT。

任意LLM，秒變ChatGPT！

Lamini是一個LLM引擎，可以讓不僅僅是機器學習專家的任何開發人員，都能在大型數據集中，把高性能的LLM訓練得像ChatGPT一樣好。

Metatime已完成2500萬美元融資:金色財經報道，加密貨幣交易所Metatime已完成2500萬美元融資，并準備在全球交易所上市其生態系統代幣。此外，Metatime并推出自己的區塊鏈網絡MetaChain。[2023/6/24 21:56:51]

這個過程，只需要Laimini庫的幾行代碼即可。

值得注意的是，這個庫中的優化遠遠超出了現在開發者可以使用的范圍，從更具挑戰性的優化到更簡單的優化。

比如，你想從不同的角度生成一個廣告文案。

首先，從llama模塊導入LLM引擎：

fromllamaimportLLMllm=LLM(name="marketing")

接下來，需要定義輸入和輸出類型。注意，這里一定要包括上下文，因為可以有助于LLM在自然語言中進行理解。

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")

Blur更新投標積分機制：轉移NFT以獲取忠誠度:6月8日消息，NFT市場Blur已更新投標積分（Bidding Points）機制，其中轉移NFT以獲得忠誠度、對敲交易、虛假出價行為將不再獲得BLUR獎勵。

其中忠誠度對Season 2至關重要，將NFT轉移到其他市場上會降低忠誠度，這不會反映在UI中，但轉移到其他市場的交易會在后端被追蹤，從而降低轉移者的忠誠度。此外，對敲交易、虛假出價將從Season 2開始被過濾掉。

頂級系列仍然獲得最多的積分，但積分也已經更新，以便在系列之間更均勻地分配。[2023/6/8 21:23:31]

然后就可以開始提問了：

語氣：大膽，但不傲慢

特色：亞洲醬料和香料、家常調料和套餐包，可以輕松在家烹飪。

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}")模型輸出：

嘗試Omsom的美味亞洲醬料、香料、家常調料和套餐包。輕松為家人在家做出美味佳肴。

>title='DeliciousAsianMealsWithoutGoingtoaRestaurant|Omsom'description="TryOmsom'sdeliciousAsiansauces,aromatics,andhome-cookedseasoningsandmealpacks.Easilycookdeliciousmealsathomeforyourfamily."keywords=

Ledger新增支持Trust Wallet瀏覽器插件:2月28日消息，硬件錢包 Ledger 新增支持多鏈自托管錢包 Trust Wallet 瀏覽器插件。通過本次合作，Trust wallet 用戶將可以通過硬件解決方案為賬戶增加一層安全保護，Ledger 用戶也可以快速靈活訪問鏈上 DApp 和一鍵式管理多錢包資產，同時實現線上線下錢包的輕松切換。[2023/2/28 12:34:38]

如何創建自己的「ChatGPT」

基礎模型能理解一般的英語，但如果需要它們學習一些垂直語言和規則，prompt微調并不足夠，很多時候我們都需要構建自己的LLM。

利用用下面這個步驟，就能獲得像ChatGPT一樣遵循指令的LLM。

嘗試prompt-tuningChatGPT或其他模型

可以使用Lamini庫的API，在不同模型之間快速進行prompt-tuning，只需一行代碼，即可在OpenAI和開源模型之間切換。

Lamini庫已經優化了正確的prompt，這樣開發者就可以使用不同的模型，不必擔心如何為每個模型設置prompt的格式。

構建一個包含輸入-輸出對的大型數據集

這些數據集會向模型展示，它應該如何響應輸入，無論是遵循英文說明，還是以JSON響應。

研究者剛剛發布了一個只有幾行代碼的repo，使用Lamini庫，僅從100個數據點中，就能生成50k數據點。

而且因為使用Lamini庫來啟動Lamini引擎，所以這個過程根本不需要用到GPU。

在repo中，已經包含一個開源的70+k數據集。

項目地址：https://github.com/lamini-ai/lamini/

在大型數據集上微調基礎模型

除了數據生成器，研究者還發布了一個LLM，它使用Lamini對生成的數據進行了微調。以編程方式執行此操作的功能也會很快發布。

也可以把OpenAI的微調API作為起步。

在微調模型上進行RLHF

使用Lamini，就不再需要大型ML和人工標記團隊來運行RLHF。

部署到云端

只需點擊產品或功能中的API端點即可。

專為LLM打造的數據生成器

簡單來說，依照以下幾個步驟，就可以訓練自己的大語言模型了。

用于優化prompt微調和類型化輸出的Lamini庫。

用于微調和RLHF的高級Lamini庫，只需幾行代碼。

史上首個托管數據生成器，用于創建數據，來訓練遵循指令的LLM。注意，已獲得商業使用許可！

開源的指令跟隨LLM，使用上述工具，只需幾行代碼即可完成。

數據生成器工作原理

Lamini數據生成器是一個LLM管線，它采用原始的100多條指令的小集合，與預期的響應配對，生成50k+新的配對，靈感來自Stanford的Alpaca。這個生成管線使用Lamini庫來定義和調用LLM，以生成不同但相似的指令和響應對。

根據這些數據訓練后，你的LLM會遵循這些指示，因而得到改進。對于使用開源LLM的生成管線，研究者提供了一個很好的默認值，LaminiOpen和LaminiInstruct。

隨著每天新的LLM發布，研究者都會將默認值更新為性能最佳的模型。在目前的版本中，LaminiOpen用的是EleutherAI的Pythia，LaminiInstruct用的是Databricks的Dolly。

LaminiOpen會生成更多指令，而LaminiInstruct會生成這些指令的成對響應。

最終生成的數據集可供免費商業使用，已經通過CC-BY許可。

僅用一行代碼，就可以將Lamini庫的默認值換成其他開源或OpenAI模型。

研究者發現，OpenAI模型的平均表現更好，但它們的許可限制了將生成數據用于訓練類ChatGPT模型的商用。

對生成數據進行微調

在這個過程中，生成的數據會質量不一。

在微調之前，下一步就是將生成的數據過濾為高質量數據。

然后，Lamini會通過在這個過濾后生成的數據集上訓練基礎模型，來創建自定義LLM。

研究者已經發布了一個開源指令跟隨LLM，可以用Lamini來訓練Pythia基礎模型，生成的37k指令是從70k中篩選出來的。

顯然，Lamini庫的出現，讓迭代周期變得更快、更有效，有更多的人能夠構建模型，而不僅僅是試驗各種prompt。

團隊介紹

SharonZhou是Lamini的聯合創始人兼首席執行官。

個人主頁：https://sharonzhou.me/

她在哈佛大學獲得了計算機科學與古典文學聯合學士學位，并以最高榮譽獲得了碩士學位。

隨后，她在斯坦福大學獲得了計算機科學博士學位，師從吳恩達。

2022年，29歲的Zhou入選《麻省理工科技評論》「35歲以下科技創新35人」。

GregoryDiamos是MLPerf的聯合創始人。

他曾是百度硅谷AI實驗室的創始成員，對DeepSpeech和DeepVoice系統有貢獻。

參考資料：

https://lamini.ai/blog/introducing-lamini

Tags：MINIMINPROROMMINIFOOTBALLGAMINGSHIBAProplandCryptochrome

SAND