DeciLM-7B：突破极限，高效率、高精准度的70亿参数AI模型

本文主要是介绍DeciLM-7B：突破极限，高效率、高精准度的70亿参数AI模型，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

引言

在人工智能领域，语言模型的发展速度令人瞩目。Deci团队最近推出了一款具有革命性意义的语言模型——DeciLM-7B。这款模型在速度和精确度上都实现了显著的突破，以其70亿参数的规模，在语言模型的竞争中脱颖而出。

Huggingface模型下载： https://huggingface.co/Deci
AI快站模型免费加速下载： https://aifasthub.com/models/Deci

DeciLM-7B的核心优势

准确度： DeciLM-7B在Open LLM Leaderboard上的平均得分高达61.55分，超过了同等级别的竞争者，如Mistral 7B。这种准确性的提升使得DeciLM-7B在从客户服务机器人到复杂数据分析等各种应用中更加可靠和精确。

吞吐量性能：在PyTorch基准测试中，DeciLM-7B展现了显著的性能优势，其吞吐量比Mistral 7B高出1.83倍，超过Llama 2 7B的2.39倍。

速度提升：结合Deci的Infery-LLM推理SDK，DeciLM-7B的性能得到了进一步加速。这种强大的组合在吞吐量方面设定了新标准，速度比Mistral 7B快4.4倍。

创新架构： DeciLM-7B采用了变量群组查询关注（Variable Grouped Query Attention）技术，这是在准确度和速度之间达到最佳平衡的一大突破。
指令调优变种： DeciLM-7B采用了LoRA对SlimOrca数据集进行指令调优，生成的DeciLM-7B-instruct在Open LLM Leaderboard上的平均分数达到63.19分。

架构优势和技术创新

DeciLM-7B的卓越性能源于其战略性的实施变量群组查询关注（GQA）。传统的多查询关注（MQA）在减少内存使用和计算开销方面虽有优势，但有时会牺牲模型质量。GQA通过为每个群组提供独特的键值对，提供了更细致的注意力机制。DeciLM-7B通过在不同层中使用不同的GQA群组参数，实现了速度和准确性的最佳平衡。

此外，DeciLM-7B的架构是利用Deci的先进神经架构搜索（NAS）引擎AutoNAC开发的。AutoNAC通过更高效的计算方式自动化搜索过程，对于确定GQA群组参数在每个变压器层中的最佳配置至关重要。

成本效益和实际应用

DeciLM-7B联合Infery-LLM不仅提升了模型能力，还大幅降低了与其他推理端点提供商相比的成本。这种经济效率使得DeciLM-7B和Infery-LLM成为企业构建、部署和扩展基于LLM的应用程序的理想选择，同时最小化计算成本。

DeciLM-7B和Infery-LLM的应用范围广泛，可以帮助各行各业革新操作方式，推动创新。在客户服务领域，这种组合可以支持高效理解并响应客户查询的复杂聊天机器人，提升用户体验。在医疗、法律、市场和金融等文本和研究密集型专业领域，DeciLM-7B和Infery-LLM的结合尤为有影响力，可执行文本总结、预测分析、文档分析、趋势预测和情感分析等任务。