大模型開(kāi)發(fā)者必備手冊：這些數字值得記住

本文經(jīng)AI新媒體量子位（公眾號ID:QbitAI）授權轉載，轉載請聯(lián)系出處。

GPT-4的使用成本，竟然是GPT-3.5的50倍之多；

(資料圖)

而讓大語(yǔ)言模型同時(shí)處理25個(gè)請求的時(shí)間，僅是處理單個(gè)請求的2倍……

這些數據聽(tīng)上去可能有些出乎意料，但都是真實(shí)的。

它們出自一篇名為《大語(yǔ)言模型（LLM）開(kāi)發(fā)者必須知道的數字》的GitHub文章。

文章發(fā)布之后僅1天，便獲得了1200次星標。

文章基于真實(shí)的開(kāi)發(fā)經(jīng)驗，介紹了提示工程、硬件資源、價(jià)格等方面的數據。

就算沒(méi)有成為開(kāi)發(fā)者的打算，拿來(lái)擴充一下知識儲備也是極好的。

我們不妨先來(lái)看一下文章作者制作的速覽圖表：

接下來(lái)，我們就來(lái)詳細介紹一下這些數據。

40-90%：在提示詞中加入“Be Concise”節約的成本

使用LLM是按照回復的token數量付費的，因此讓LLM的回答簡(jiǎn)明扼要可以節約成本。

在提示詞中加入“Be Concise”（答案簡(jiǎn)明些），可以節約40-90%的成本。

1.3：每個(gè)單詞的平均token數

LLM是對token進(jìn)行操作的，token可能包含完整單詞或其中的一部分。

如“eating”是由“eat”和后綴“ing”兩個(gè)token組成。

一篇750詞的英文文章中大約含有1000個(gè)token。

而對于其他語(yǔ)言，每個(gè)詞所含的token數量可能更多。

價(jià)格數據會(huì )存在波動(dòng)，本節的價(jià)格數據主要參考OpenAI，但其他公司數據也相似。

約50倍：GPT-4與GPT-3.5花費的比值

效果上，GPT-4的表現明顯好于GPT-3.5，但其成本約為后者的50倍之多。

因此，對于諸如總結這類(lèi)GPT-3.5也能出色完成的任務(wù)，可以考慮不使用更昂貴的GPT-4。

5倍：GPT-3.5-Turbo生成與使用OpenAI embedding的成本比

諸如“美國的首都是哪里”這類(lèi)可以通過(guò)檢索得到答案的問(wèn)題，讓LLM生成答案的成本是檢索的5倍。

而如果使用GPT-4，成本差異將高達250倍。

10倍：OpenAI embedding與自建embedding的成本比

這一數字為大約數值，實(shí)際情況可能隨著(zhù)embedding的規模而變化。

6倍：微調版與基本版OpenAI模型的成本比值

盡管成本較為昂貴，但對基本OpenAI模型的微調是有意義的。

對基本模型進(jìn)行微調的效益明顯高于定制模型。

1倍：自建模型是否進(jìn)行微調的成本比

由于參數量相同，是否進(jìn)行微調對自建模型的成本幾乎沒(méi)有影響。

約100萬(wàn)美元：在1.4萬(wàn)億token上訓練130億參數模型的成本

這一數字是建立在一切工作都十分順利、沒(méi)有發(fā)生崩潰的前提下計算出的。

Meta的大語(yǔ)言模型LLaMA的論文當中顯示，用2048塊80GB A100 GPU進(jìn)行訓練LLaMA一共花費了21天。

<0.001：微調與從頭開(kāi)始訓練的成本比

這一數據有一些籠統，但微調的成本幾乎可以忽略不計。

對一個(gè)60億參數模型進(jìn)行微調的成本大約是7美元。

即使是最貴的OpenAI模型Davinci，1000個(gè)token的微調成本也只有3美分。

相對于對一部莎士比亞全集進(jìn)行微調也只需要40美元。

如果你要自建模型，了解其GPU消耗十分重要。

本節所列數據僅是推理過(guò)程所消耗的資源量，訓練和微調過(guò)程還需要更多資源。

V100: 16GB, A10G: 24GB, A100: 40/80GB：GPU內存大小

GPU內存大小決定了LLM的參數量上限。

24GB的A10G在亞馬遜云服務(wù)中的價(jià)格為1.5-2美元每小時(shí)。

參數量的2倍：LLM的典型GPU內存需求

例如，7B參數量的LLM需要消耗14GB的GPU內存。

這是因為大多數時(shí)候，每個(gè)參數需要16bit浮點(diǎn)空間。

通常情況下不需要使用超過(guò)16bit的精度，8bit則會(huì )顯著(zhù)降低結果精準度。

約1GB：嵌入式模型的典型GPU內存需求

嵌入式模型消耗的本地GPU資源是很小的。

甚至可以在一塊GPU上同時(shí)運行多個(gè)嵌入式模型。

超過(guò)10倍：批量處理LLM請求帶來(lái)的吞吐量改善

在GPU上運行LLM時(shí)往往會(huì )有較大延遲。

一次請求消耗的時(shí)間可能長(cháng)達5秒，相對于每秒僅能處理0.2個(gè)。

但如果同時(shí)發(fā)送兩個(gè)請求，消耗的時(shí)間約為5.2秒。

而將25個(gè)請求捆綁發(fā)出的耗時(shí)約為10秒，相對于每秒可處理2.5個(gè)請求。

約1MB：130億參數模型輸出1個(gè)token所需的GPU內存

內存消耗量與生成token數成正比。

512個(gè)token（約380個(gè)英文單詞）需要消耗512MB的空間。

這篇文章的作者來(lái)自開(kāi)源人工智能框架Ray的開(kāi)發(fā)公司Anyscale。

主要貢獻者是Google前首席工程師Waleed Kadous。

他也曾擔任Uber CTO辦公室工程戰略負責人。

其中一位華人合作者是Google前員工Huaiwei Sun。

他來(lái)自江蘇昆山，本科畢業(yè)于上海交通大學(xué)工業(yè)設計專(zhuān)業(yè)。

期間，他參加了耶魯大學(xué)summer school并取得了滿(mǎn)績(jì)。

此后他取得了佐治亞理工學(xué)院碩士學(xué)位，研究方向為人機交互。

此外還有其他作者也參與了這篇文章的工作，未來(lái)也可能有更多人加入。

參考鏈接：[1]https://github.com/ray-project/llm-numbers[2]https://www.linkedin.com/in/scottsun94/

標簽：