StabilityAI连扔两个王炸，首个开源RLHF模型登基，DeepF

开源先锋 StabilityAI 一天扔了两枚重磅炸弹:发布史上首个开源 RLHF 大语言模型，以及像素级图像模型 DeepFloyd IF。开源社区狂喜！

最近，大名鼎鼎的 Stable Diffusion 背后的公司，一连整了两个大活。

首先，Stability AI 重磅发布了世上首个基于 RLHF 的开源 LLM 聊天机器人 ——StableVicuna。

StableVicuna 基于 Vicuna-13B 模型实现，是第一个使用人类反馈训练的大规模开源聊天机器人。

有网友经过实测后表示，StableVicuna 就是目前当之无愧的 13B LLM 之王！

对此，1x exited 创始人表示，这可以看作是自 ChatGPT 推出以来的第二个里程碑。

另外，Stability AI 发布了开源模型 DeepFloyd IF，这个文本到图像的级联像素扩散模型功能超强，可以巧妙地把文本集成到图像中。

这个模型的革命性意义在于，它一连解决了文生图领域的两大难题:正确生成文字，正确理解空间关系！

秉持着开源的一贯传统，DeepFloyd IF 在以后会完全开源。

Stailibity AI，果然是开源界当之无愧的扛把子。

StableVicuna

世上首个开源 RLHF LLM 聊天机器人 StableVicuna，由 Stability AI 震撼发布！

一位 Youtube 主播对 Stable Vicuna 进行了实测，Stable Vicuna 在每一次测试中，都击败了前任王者 Vicuna。

所以这位 Youtuber 激动地喊出:Stable Vicuna 就是目前最强大的 13B LLM 模型，是当之无愧的 LLM 模型之王！

StableVicuna 基于小羊驼 Vicuna-13B 模型实现，是 Vicuna-13B 的进一步指令微调和 RLHF 训练的版本。

而 Vicuna-13B 是 LLaMA-13B 的一个指令微调模型。

从以下基准测试可以看出，StableVicuna 与类似规模的开源聊天机器人在整体性能上的比较。

StableVicuna 可以做基础数学题。

可以写代码。

还能为你讲解语法知识。

开源聊天机器人平替狂潮

Stability AI 想做这样一个开源的聊天机器人，当然也是受了此前 LLaMa 权重泄露引爆的 ChatGPT 平替狂潮的影响。

从去年春天 Character.ai 的聊天机器人，到后来的 ChatGPT 和 Bard，都引发了大家对开源平替的强烈兴趣。

这些聊天模型的成功，基本都归功于这两种训练范式:指令微调和人类反馈强化学习 。

这期间，开发者一直在努力构建开源框架帮助训练这些模型，比如 trlX、trl、DeepSpeed Chat 和 ColossalAI 等，然而，却并没有一个开源模型，能够同时应用指令微调和 RLHF。

大多数模型都是在没有 RLHF 的情况下进行指令微调的，因为这个过程十分复杂。

最近，Open Assistant、Anthropic 和 Stanford 都开始向公众提供 RLHF 数据集。

Stability AI 把这些数据集与 trlX 提供的 RLHF 相结合，就得到了史上第一个大规模指令微调和 RLHF 模型 ——StableVicuna。

训练过程

为了实现 StableVicuna 的强大性能，研究者利用 Vicuna 作为基础模型，并遵循了一种典型的三级 RLHF 管线。

Vicuna 在 130 亿参数 LLaMA 模型的基础上，使用 Alpaca 进行调整后得到的。

他们混合了三个数据集，训练出具有监督微调 的 Vicuna 基础模型:

• OpenAssistant Conversations Dataset ，一个人工生成的、人工注释的助理式对话语料库，包含 161,443 条消息，分布在 66,497 个对话树中，使用 35 种不同的语言；

• GPT4 All Prompt Generations，由 GPT-3.5 Turbo 生成的 437,605 个提示和响应的数据集；

• Alpaca，这是由 OpenAI 的 text-davinci-003 引擎生成，包含 52,000 条指令和演示的数据集。

• 研究者使用 trlx，训练了一个奖励模型。在以下这些 RLHF 偏好数据集上，研究者得到了 SFT 模型，这是奖励模型的基础。

• OpenAssistant Conversations Dataset ，包含 7213 个偏好样本；

• Anthropic HH-RLHF，一个关于 AI 助手有用性和无害性的偏好数据集，包含 160,800 个人类标签；

• 斯坦福人类偏好 ，这是一个数据集，包含 348,718 个人类对各种不同回答的集体偏好，包括 18 个从烹饪到哲学的不同学科领域。

最后，研究者使用了 trlX，进行近端策略优化 强化学习，对 SFT 模型进行了 RLHF 训练，然后，StableVicuna 就诞生了！

据 Stability AI 称，会进一步开发 StableVicuna，并且会很快在 Discord 上推出。

另外，Stability AI 还计划给 StableVicuna 一个聊天界面，目前正在开发中。

相关演示已经可以在 HuggingFace 上查看了，开发者也可以在 Hugging Face 上下载模型的权重，作为原始 LLaMA 模型的增量。

但如果想使用 StableVicuna，还需要获得原始 LLaMA 模型的访问权限。

获得权重增量和 LLaMA 权重后，使用 GitHub 存储库中提供的脚本将它们组合起来，就能得到 StableVicuna-13B 了。不过，也是不允许商用的。

DeepFloyd IF

在同一时间，Stability AI 还放出了一个大动作。

你敢信，AI 一直无法正确生成文字这个老大难问题，竟然被解决了？

没错，下面这张「完美」的招牌，就是由 StabilityAI 全新推出的开源图像生成模型 ——DeepFloyd IF 制作的。

除此之外，DeepFloyd IF 还能够生成正确的空间关系。

模型刚一发布，网友们已经玩疯了:

prompt: Robot holding a neon sign that says "I can spell".

不过，对于 prompt 中没有明确说明的文字，DeepFloyd IF 大概率还是会出错。

prompt:A neon sign of an American motel at night with the sign javilop

官方演示

顺便一提，在硬件的需求上，如果想要实现模型所能支持的最大 1,024 x 1,024 像素输出，建议使用 24GB 的显存；如果只要 256 x 256 像素，16GB 的显存即可。

是的，RTX 3060 16G 就能跑。

开源版谷歌 Imagen

2022 年 5 月，谷歌高调发布了自家的图像生成模型 Imagen。

根据官方演示的效果，Imagen 不仅在质量上完胜 OpenAI 最强的 DALL-E 2，更重要的是 —— 它能够正确地生成文本。

迄今为止，没有任何一个开源模型能够稳定地实现这一功能。

与其他生成式 AI 模型一样，Imagen 也依赖于一个冻结的文本编码器:先将文本提示转换为嵌入，然后由扩散模型解码成图像。但不同的是，Imagen 并没有使用多模态训练的 CLIP，而是使用了大型 T5-XXL 语言模型。

这次，StabilityAI 推出的 DeepFloyd IF 复刻的正是这一架构。

甚至在测试中，DeepFloyd IF 凭借着 COCO 数据集上 6.66 的 zero-shot FID 分数，直接超越了谷歌的 Imagen，以及一众竞品。

下一代图像生成 AI 模型

具体来说，DeepFloyd IF 是一个模块化、级联的像素扩散模型。

模块化:

DeepFloyd IF 由几个神经模块组成，它们在一个架构中相互协同工作。

级联:

DeepFloyd IF 以多个模型级联的方式实现高分辨率输出:首先生成一个低分辨率的样本，然后通过连续的超分辨率模型进行上采样，最终得到高分辨率图像。

扩散:

DeepFloyd IF 的基本模型和超分辨率模型都是扩散模型，其中使用马尔可夫链的步骤将随机噪声注入到数据中，然后反转该过程从噪声中生成新的数据样本。

像素:

DeepFloyd IF 在像素空间工作。与潜在扩散模型不同，扩散是在像素级别实现的，其中使用潜在表征。

上面这个流程图展示的就是，DeepFloyd IF 三个阶段的性能:

阶段 1:

基本扩散模型将定性文本转换为 64x64 图像。DeepFloyd 团队已经训练了三个版本的基本模型，每个版本都有不同的参数:IF-I 400M、IF-I 900M 和 IF-I 4.3B。

阶段 2:

为了「放大」图像，团队将两个文本条件超分辨率模型应用于基本模型的输出。其中之一将 64x64 图像放大到 256x256 图像。同样，这个模型也有几个版本:IF-II 400M 和 IF-II 1.2B。

阶段 3:

应用第二个超分辨率扩散模型，生成生动的 1024x1024 图像。最后的第三阶段模型 IF-III 拥有 700M 参数。

值得注意的是，团队还没有正式发布第三阶段的模型，但 DeepFloyd IF 的模块化特性让我们可以使用其他上采样模型 —— 如 Stable Diffusion x4 Upscaler。

团队表示，这项工作展示了更大的 UNet 架构在级联扩散模型的第一阶段的潜力，从而为文本到图像合成展示了充满希望的未来。

数据集训练

DeepFloyd IF 是在一个定制的高质量 LAION-A 数据集上进行训练的，该数据集包含 10 亿对。

LAION-A 是 LAION-5B 数据集英文部分的一个子集，基于相似度哈希去重后获得，对原始数据集进行了额外的清理和修改。DeepFloyd 的定制过滤器用于删除水印、NSFW 和其他不适当的内容。

目前，DeepFloyd IF 模型的许可仅限于非商业目的的研究，在完成反馈的收集之后，DeepFloyd 和 StabilityAI 团队将发布一个完全免费的商业版本。

参考资料:

声明：本网转发此文章，旨在为读者提供更多信息资讯，所涉内容不构成投资、消费建议。文章事实如有疑问，请与有关方核实，文章观点非本网观点，仅供读者参考。