O mundo dos LLMs open source é empolgante e está em constante evolução. Esta lição tem como objetivo oferecer uma visão detalhada sobre modelos open source. Se você está procurando informações sobre como modelos proprietários se comparam aos modelos open source, acesse a lição "Explorando e Comparando Diferentes LLMs". Esta lição também abordará o tema de ajuste fino, mas uma explicação mais detalhada pode ser encontrada na lição "Ajuste Fino de LLMs".
- Compreender os Modelos Open Source
- Entender os benefícios de trabalhar com Modelos Open Source
- Explorar os modelos disponíveis no Hugging Face e no Azure AI Studio
O software open source desempenhou um papel crucial no crescimento da tecnologia em diversos campos. A Open Source Initiative (OSI) definiu 10 critérios para software ser classificado como open source. O código-fonte deve ser compartilhado abertamente sob uma licença aprovada pela OSI.
Embora o desenvolvimento de LLMs tenha elementos semelhantes ao desenvolvimento de software, o processo não é exatamente o mesmo. Isso gerou muitas discussões na comunidade sobre a definição de open source no contexto de LLMs. Para que um modelo esteja alinhado com a definição tradicional de open source, as seguintes informações devem estar publicamente disponíveis:
- Conjuntos de dados usados para treinar o modelo.
- Pesos completos do modelo como parte do treinamento.
- O código de avaliação.
- O código de ajuste fino.
- Pesos completos do modelo e métricas de treinamento.
Atualmente, existem apenas alguns modelos que atendem a esses critérios. O modelo OLMo criado pelo Allen Institute for Artificial Intelligence (AllenAI) é um que se encaixa nessa categoria.
Para esta lição, nos referiremos aos modelos como "modelos abertos" daqui para frente, pois podem não atender aos critérios acima no momento da escrita.
Altamente Personalizáveis - Como os modelos abertos são lançados com informações detalhadas de treinamento, pesquisadores e desenvolvedores podem modificar os internos do modelo. Isso permite a criação de modelos altamente especializados ajustados para uma tarefa ou área de estudo específica. Alguns exemplos disso são geração de código, operações matemáticas e biologia.
Custo - O custo por token para usar e implantar esses modelos é menor do que o de modelos proprietários. Ao construir aplicativos de IA Generativa, é importante avaliar desempenho versus preço ao trabalhar com esses modelos para seu caso de uso.
Fonte: Artificial Analysis
Flexibilidade - Trabalhar com modelos abertos permite flexibilidade em termos de usar diferentes modelos ou combiná-los. Um exemplo disso é o HuggingChat Assistants, onde o usuário pode selecionar o modelo sendo usado diretamente na interface:
LLama2, desenvolvido pela Meta, é um modelo aberto otimizado para aplicativos baseados em chat. Isso se deve ao seu método de ajuste fino, que incluiu uma grande quantidade de diálogos e feedback humano. Com esse método, o modelo produz mais resultados alinhados às expectativas humanas, proporcionando uma melhor experiência ao usuário.
Alguns exemplos de versões ajustadas do Llama incluem Japanese Llama, que se especializa em japonês, e Llama Pro, que é uma versão aprimorada do modelo base.
Mistral é um modelo aberto com forte foco em alto desempenho e eficiência. Ele utiliza a abordagem Mixture-of-Experts, que combina um grupo de modelos especializados em um sistema onde, dependendo da entrada, certos modelos são selecionados para uso. Isso torna a computação mais eficaz, pois os modelos abordam apenas as entradas nas quais são especializados.
Alguns exemplos de versões ajustadas do Mistral incluem BioMistral, que é focado no domínio médico, e OpenMath Mistral, que realiza cálculos matemáticos.
Falcon é um LLM criado pelo Technology Innovation Institute (TII). O Falcon-40B foi treinado com 40 bilhões de parâmetros, demonstrando desempenho superior ao GPT-3 com menor orçamento computacional. Isso se deve ao uso do algoritmo FlashAttention e atenção multiquery, que reduz os requisitos de memória no momento da inferência. Com esse tempo de inferência reduzido, o Falcon-40B é adequado para aplicativos de chat.
Alguns exemplos de versões ajustadas do Falcon são o OpenAssistant, um assistente construído com modelos abertos, e GPT4ALL, que oferece desempenho superior ao modelo base.
Não há uma resposta única para escolher um modelo aberto. Um bom ponto de partida é usar o recurso de filtro por tarefa do Azure AI Studio. Isso ajudará você a entender quais tipos de tarefas o modelo foi treinado para realizar. O Hugging Face também mantém um LLM Leaderboard que mostra os modelos com melhor desempenho com base em certos critérios.
Ao buscar comparar LLMs entre os diferentes tipos, Artificial Analysis é outro ótimo recurso:
Fonte: Artificial Analysis
Se estiver trabalhando em um caso de uso específico, buscar versões ajustadas focadas na mesma área pode ser eficaz. Experimentar com vários modelos abertos para ver como eles se comportam de acordo com suas expectativas e as de seus usuários é outra boa prática.
A melhor parte dos modelos abertos é que você pode começar a trabalhar com eles rapidamente. Confira o Catálogo de Modelos do Azure AI Foundry, que apresenta uma coleção específica do Hugging Face com os modelos discutidos aqui.
Após concluir esta lição, confira nossa coleção de aprendizado de IA Generativa para continuar aprimorando seu conhecimento em IA Generativa!
Aviso Legal:
Este documento foi traduzido utilizando o serviço de tradução por IA Co-op Translator. Embora nos esforcemos para garantir a precisão, esteja ciente de que traduções automatizadas podem conter erros ou imprecisões. O documento original em seu idioma nativo deve ser considerado a fonte autoritativa. Para informações críticas, recomenda-se a tradução profissional feita por humanos. Não nos responsabilizamos por quaisquer mal-entendidos ou interpretações incorretas decorrentes do uso desta tradução.