苹果加入开源大战，官宣端侧小模型 OpenELM！参数 2.7 亿到 30 亿一台 M2 Mac 可跑

从 Llama 3 到 Phi-3，蹭着开源热乎劲儿，苹果也来搞事情了。

今天，苹果团队发布了 OpenELM，包含了 2.7 亿、4.5 亿、11 亿和 30 亿四个参数版本。

与微软刚刚开源的 Phi-3 相同，OpenELM 是一款专为终端设备而设计的小模型。

论文地址：https://arxiv.org/abs/2404.14619

论文称，OpenELM 使用了「分层缩放」策略，来有效分配 Transformer 模型每一层参数，从而提升准确率。

如下这张图，一目了然。

在约 10 亿参数规模下，OpenELM 与 OLMo 相比，准确率提高了 2.36%，同时需要的预训练 token 减少了 2 倍。

抱抱脸创始人表示，苹果加入了 AI 开源大战，一口气在 HF 中心发布了四款模型。

OpenELM 有多强？

OpenELM 的诞生，显然瞄准了谷歌、三星、微软这类的竞争对手。

近几天，微软开源的 Phi-3，在 AI 社区引起了不小的反响。

因为，小模型的运行成本更低，而且针对手机和笔记本电脑等设备进行了优化。

根据论文介绍，苹果这款模型不仅能在笔记本（配备英特尔 i9-13900KF CPU、RTX 4090 GPU，24GB 内存），还可以在 M2 MacBook Pro（64GiB 内存）运行。

而 OpenELM 具体性能表现如何？

在零样本和少样本设置中，OpenELM 的结果如下图表 3 所示。

通过与开源的大模型比较，OpenELM 的变体比 12 亿参数 OLMo 的准确率提高了 1.28%（表 4a）、2.36%（表 4b）和 1.72%（表 4c）。

值得注意的是，OpenELM 使用了 OLMo 少 2 倍的预训练数据的情况下，达到了这一水平。

再来看模型指令微调的结果。

如下表 5 所示，在不同的评估框架中，指令微调都能将 OpenELM 的平均准确率提高 1-2%。

表 6 展示了参数高效微调的结果。PEFT 方法可以应用于 OpenELM，LoRA 和 DoRA 在给定的 CommonSense 推理数据集中，提供了相似的平均准确度。

下表 7a 和 7b 分别显示了 GPU 和 MacBook Pro 上的基准测试结果。

尽管 OpenELM 对于相似的参数数量具有更高的精度，但研究人员观察到 OpenELM 要比 OLMo 慢。

虽然本研究的主要重点是可重复性而非推理性能，但研究人员还是进行了全面分析，以了解瓶颈所在。

分析结果表明，OpenELM 处理时间的很大一部分，归因于研究者对 RMSNorm 的简单实现。

具体来说，简单的 RMSNorm 实现会导致许多单独的内核启动，每个内核处理一个小输入，而不是像 LayerNorm 那样启动一个融合的内核。

用 Apex 的 RMSNorm 替换简单的 RMSNorm，结果发现 OpenELM 的吞吐量有了显著提高。

然而，与使用优化 LayerNorm 的模型相比，性能差距仍然很大，部分原因是：

（1）OpenELM 有 113 个 RMSNorm 层，而 OLMo 只有 33 个 LayerNorm 层；

（2）Apex 的 RMSNorm 没有针对小输入进行优化。

作者贡献

有趣的是，论文最后一部分还列出了每位作者，在这项研究中的具体贡献。

从预训练数据收集和工具、架构设计、模型训练，到评估套件和工具、HF 集成、指令微调、参数高效微调，再到性能分析和 MLX 转换、代码审查，bug 修改和维护全程都分工明确。

具体每人参与的内容，如下图所示。

新智元 (ID:AI_era)，原文标题：《苹果加入开源大战，官宣端侧小模型 OpenELM！参数 2.7 亿到 30 亿一台 M2 Mac 可跑》