Mixtral экспертов

Mixtral of Experts

January 8, 2024

Авторы: Albert Q. Jiang, Alexandre Sablayrolles, Antoine Roux, Arthur Mensch, Blanche Savary, Chris Bamford, Devendra Singh Chaplot, Diego de las Casas, Emma Bou Hanna, Florian Bressand, Gianna Lengyel, Guillaume Bour, Guillaume Lample, Lélio Renard Lavaud, Lucile Saulnier, Marie-Anne Lachaux, Pierre Stock, Sandeep Subramanian, Sophia Yang, Szymon Antoniak, Teven Le Scao, Théophile Gervet, Thibaut Lavril, Thomas Wang, Timothée Lacroix, William El Sayed

cs.AI

Аннотация

Мы представляем Mixtral 8x7B — языковую модель, основанную на разреженной смеси экспертов (Sparse Mixture of Experts, SMoE). Mixtral имеет ту же архитектуру, что и Mistral 7B, с тем отличием, что каждый слой состоит из 8 блоков прямого распространения (экспертов). Для каждого токена на каждом слое маршрутизирующая сеть выбирает двух экспертов для обработки текущего состояния и объединяет их выходы. Хотя каждый токен взаимодействует только с двумя экспертами, выбранные эксперты могут меняться на каждом шаге. В результате каждый токен имеет доступ к 47 миллиардам параметров, но использует только 13 миллиардов активных параметров во время вывода. Mixtral обучалась с размером контекста в 32 тысячи токенов и превосходит или соответствует Llama 2 70B и GPT-3.5 на всех оцениваемых тестах. В частности, Mixtral значительно превосходит Llama 2 70B в задачах по математике, генерации кода и многоязычных тестах. Мы также предоставляем модель, дообученную для выполнения инструкций, Mixtral 8x7B - Instruct, которая превосходит GPT-3.5 Turbo, Claude-2.1, Gemini Pro и Llama 2 70B - chat model в тестах, оцениваемых людьми. Как базовая, так и инструктивная модели выпущены под лицензией Apache 2.0.

English

We introduce Mixtral 8x7B, a Sparse Mixture of Experts (SMoE) language model. Mixtral has the same architecture as Mistral 7B, with the difference that each layer is composed of 8 feedforward blocks (i.e. experts). For every token, at each layer, a router network selects two experts to process the current state and combine their outputs. Even though each token only sees two experts, the selected experts can be different at each timestep. As a result, each token has access to 47B parameters, but only uses 13B active parameters during inference. Mixtral was trained with a context size of 32k tokens and it outperforms or matches Llama 2 70B and GPT-3.5 across all evaluated benchmarks. In particular, Mixtral vastly outperforms Llama 2 70B on mathematics, code generation, and multilingual benchmarks. We also provide a model fine-tuned to follow instructions, Mixtral 8x7B - Instruct, that surpasses GPT-3.5 Turbo, Claude-2.1, Gemini Pro, and Llama 2 70B - chat model on human benchmarks. Both the base and instruct models are released under the Apache 2.0 license.