[討論] LLM即將像Stable Diffusion普及

[oopFoo (3d)]

https://simonwillison.net/2023/Mar/11/llama/
https://simonwillison.net/2023/Mar/13/alpaca/

Simon Willison提到，很快大家都會有自己的ai助手。

看時間軸：

24th February 2023: LLaMA is announced, starts being shared with academic partners:
https://research.facebook.com/publications/llama-open-and-efficient-foundation-language-models/

2nd March: Someone posts a PR with a BitTorrent link to the models:
https://github.com/facebookresearch/llama/pull/73

10th March: First commit to llama.cpp by Georgi Gerganov:
https://github.com/ggerganov/llama.cpp

11th March: llama.cpp now runs the 7B model on a 4GB RaspberryPi:
https://twitter.com/miolini/status/1634982361757790209

12th March: npx dalai llama: https://cocktailpeanut.github.io/dalai/

13th March (today): llama.cpp on a Pixel 6 phone:
https://twitter.com/thiteanish/status/1635188333705043969

And now, Alpaca.
https://crfm.stanford.edu/2023/03/13/alpaca.html

------------------------------------------
詳細想法與內容就請看simon willison的部落格。

我是蠻認同這想法的，LLM(Large Language Model)很快就會普及。
https://cocktailpeanut.github.io/dalai/#/
自動安裝的script都出了。LLaMA的Inference在現代多核CPU跑是可行的，現在優化速度也很快。

離ChatGPT，GPT4還有一段距離，但很夠用了，而且整個網路一起發展，可能很快就追上也不一定。我雖然最近超忙，但都想找時間看能不能移植到OpenCL。

我覺得LLM最大的好處是summerize(總結)
例如之前討論手刻Make的問題。

Make是偶而一用，真的容易忘記指令跟功能，也就不容易發現問題。

LLM在這就很適合幫忙，把make檔給它，解釋總結，很快就能發現問題，就不須要找很難找到的Make專家。

雖然LLM容易"hallucinate"但用LLM寫個簡單的Make檔案當個開頭也很好。

Code看不懂，用太多不明functions？LLM來幫忙。

ffmpeg參數太多太複雜？LLM寫給你。

這是當年google橫空出世讓網路好用起來。再一次大感動。大家真的可以好好追蹤這個發展。可以自己控制的LLM，可以發展的功能太多了。

--
※ 發信站: 批踢踢實業坊(ptt.cc), 來自: 36.224.232.158 (臺灣)
※ 文章網址: https://www.ptt.cc/bbs/Soft_Job/M.1678856174.A.098.html
推 create8: 推
→ superpandal: 看過 沒試過 不過可以看別人的感想
→ superpandal: ffmpeg參數... 你還是要仔細看文檔
推 ptta: 這真的很神，從此regexp都給它寫
推 hizuki: 看看它能不能正確處理GNU make和舊Android Make的差異
→ hizuki: make出問題，很多時候其實和shell環境有關，比如突然csh
→ superpandal: 寫regex會是不錯應用 但指令說實話一堆文檔沒有的
→ superpandal: 文檔沒有的 你也不知道可以這樣用
→ superpandal: makefile要分析整個專案了
→ superpandal: makefile可定義選項
→ Hsins: 而且有人用 4GB RAM 的樹莓派就跑起來了
→ superpandal: 觀望中 聽說效能不好
→ oopFoo: pc的效能不錯。RPI是10秒一個token，pc是秒內幾個token
→ oopFoo: declarative的程式，LLM比較會處理。只要補餵正確的資料，
→ oopFoo: android/gnu make都可以分析。最近看好多應用都蠻有趣的
→ oopFoo: 當然沒有的功能，問LLM，它會幻想給你，但這是小問題
→ superpandal: 測了一下web demo時間很久又答非所問
→ superpandal: 還會error...
推 v86861062: 推推
推 CoNsTaR: 有沒有哪個 ai 是會分清楚什麼時候該幻想什麼時候不該幻
→ CoNsTaR: 想的
推 CoNsTaR: 以前問過 clang format 的 rule，ChatGPT 幻想了一個給
→ CoNsTaR: 我，我還問他這個 rule 是那個版本加入的，要怎麼用 etc
→ CoNsTaR: 結果所有東西都是他幻想出來的，浪費了我十分鐘
推 AzureRW: 做比較重要的東西時要叫他給出處 多方比較後才採用
→ AzureRW:  我想這也是為
→ AzureRW: 毛該禁止ai寫stack overflow跟wiki或技術文章 未來
→ AzureRW: 整個池子被污
→ AzureRW: 染之後可能會根本不知道哪裡是ai自己亂唬爛的
推 wsad50232: 原Po是Google派來的嗎？
推 ouskit: 可以跑跟跑的好是兩回事
→ oopFoo: Meta說LLaMA-13B可比GPT3的175B。
→ oopFoo: 目前都是最簡單的CPU優化。剛開始Pixel6需要26秒/token
→ oopFoo: 前幾天已經5token/秒。各家版本飛速進步中。
→ oopFoo: LLMs的"幻想"是內建，目前沒辦法，只能後續查證。
推 lastpost: 這些直接問chatGPT就好了，為何要自己弄？
→ Hsins: 差別在一個是在大公司商用伺服器上，一個則是可以自己用消
→ Hsins: 費型主機搭建。當初 Hadoop 的興盛也是因為可以使用消費型
→ Hsins: 主機作為運算叢集，真的能發展起來的話是很有價值的
推 jay123peter: 推
→ oopFoo: chatGPT是通用的chat，但自己的，如Alpaca你可以訓練特化
→ oopFoo: 的instruction tuning。更適合自己的用途。
→ oopFoo: https://github.com/antimatter15/alpaca.cpp
→ oopFoo: windows可以玩，自己編譯7B版，13B版應該很快就來了。