Jamba-1.5: Modelos Híbridos Transformer-Mamba em Escala

Jamba-1.5: Hybrid Transformer-Mamba Models at Scale

August 22, 2024

Autores: Jamba Team, Barak Lenz, Alan Arazi, Amir Bergman, Avshalom Manevich, Barak Peleg, Ben Aviram, Chen Almagor, Clara Fridman, Dan Padnos, Daniel Gissin, Daniel Jannai, Dor Muhlgay, Dor Zimberg, Edden M Gerber, Elad Dolev, Eran Krakovsky, Erez Safahi, Erez Schwartz, Gal Cohen, Gal Shachaf, Haim Rozenblum, Hofit Bata, Ido Blass, Inbal Magar, Itay Dalmedigos, Jhonathan Osin, Julie Fadlon, Maria Rozman, Matan Danos, Michael Gokhman, Mor Zusman, Naama Gidron, Nir Ratner, Noam Gat, Noam Rozen, Oded Fried, Ohad Leshno, Omer Antverg, Omri Abend, Opher Lieber, Or Dagan, Orit Cohavi, Raz Alon, Ro'i Belson, Roi Cohen, Rom Gilad, Roman Glozman, Shahar Lev, Shaked Meirom, Tal Delbari, Tal Ness, Tomer Asida, Tom Ben Gal, Tom Braude, Uriya Pumerantz, Yehoshua Cohen, Yonatan Belinkov, Yuval Globerson, Yuval Peleg Levy, Yoav Shoham

cs.AI

Resumo

Apresentamos o Jamba-1.5, novos modelos de linguagem grandes ajustados por instruções com base em nossa arquitetura Jamba. Jamba é uma arquitetura híbrida de mistura de especialistas Transformer-Mamba, proporcionando alta taxa de transferência e baixo uso de memória em diferentes comprimentos de contexto, mantendo a mesma ou melhor qualidade em comparação com modelos Transformer. Lançamos dois tamanhos de modelo: Jamba-1.5-Large, com 94 bilhões de parâmetros ativos, e Jamba-1.5-Mini, com 12 bilhões de parâmetros ativos. Ambos os modelos são ajustados para uma variedade de capacidades de conversação e seguimento de instruções, e possuem um comprimento de contexto efetivo de 256 mil tokens, o maior entre os modelos de peso aberto. Para suportar inferência com custo efetivo, introduzimos ExpertsInt8, uma técnica de quantização inovadora que permite ajustar o Jamba-1.5-Large em uma máquina com 8 GPUs de 80GB ao processar contextos de 256 mil tokens sem perda de qualidade. Quando avaliados em uma bateria de benchmarks acadêmicos e de chatbot, os modelos Jamba-1.5 alcançam excelentes resultados, proporcionando alta taxa de transferência e superando outros modelos de peso aberto em benchmarks de longo contexto. Os pesos do modelo para ambos os tamanhos estão disponíveis publicamente sob a Licença de Modelo Aberto Jamba e disponibilizamos o ExpertsInt8 como código aberto.

English

We present Jamba-1.5, new instruction-tuned large language models based on our Jamba architecture. Jamba is a hybrid Transformer-Mamba mixture of experts architecture, providing high throughput and low memory usage across context lengths, while retaining the same or better quality as Transformer models. We release two model sizes: Jamba-1.5-Large, with 94B active parameters, and Jamba-1.5-Mini, with 12B active parameters. Both models are fine-tuned for a variety of conversational and instruction-following capabilties, and have an effective context length of 256K tokens, the largest amongst open-weight models. To support cost-effective inference, we introduce ExpertsInt8, a novel quantization technique that allows fitting Jamba-1.5-Large on a machine with 8 80GB GPUs when processing 256K-token contexts without loss of quality. When evaluated on a battery of academic and chatbot benchmarks, Jamba-1.5 models achieve excellent results while providing high throughput and outperforming other open-weight models on long-context benchmarks. The model weights for both sizes are publicly available under the Jamba Open Model License and we release ExpertsInt8 as open source.