小模型与端侧模型，2024大模型赛道最重要的两个议题。
**
国内大模型厂商面壁智能推出全新
MiniCPM3.0基座模型，该模型也是公司旗舰端侧模型面壁小刚炮系列升级版本，据介绍，其以4B为参数，带来超越GPT-3.5的性能，并且，量化后仅2GB内存，对端侧友好，并具有无限长文本的特色。
**
**下面是 3 个版本的模型结构（1->2->3）的区别：
词表大小：123K->73K->73K
模型层数：40->52->62
隐藏层节点：2304->1536->2560
最大长度：4k->4K->32k
系统提示词：不支持-> 不支持-> 支持
工具调用和代码解释器：不支持-> 不支持-> 支持
MiniCPM3-4B 有一个 32k 上下文窗口。MiniCPM3-4B 借助 LLMxMapReduce，不需要占用太高的内存，可以处理理论上的无限上下文。**
而在6月28日，谷歌发布了Gemma系列的最新SOTA（State-of-the-Art，当前最领先）模型Gemma-2，有9B和27B两种大小，谷歌还称计划在未来几个月发布2B版本，更适合手机终端运行。
而不久前的苹果WWDC大会上，苹果先是推出了端侧AI系统Apple Intelligence，随后又在技术博客中介绍了其自研的端侧3B小模型——性能全面超越主流7B大模型。
在更早之前的4月，则更是全球小模型和端侧模型“神仙打架”的月份。短短的一月之内，Meta、微软、苹果等集中发布Llama-3、Phi-3、OpenELM，对小模型和端侧模型产业带来极大冲击。如果把时间放宽到2024年上半年，则还有MobileLLM、Gemma-7B、Qwen-7B、MiniCPM、TinyLlama等一系列代表玩家。
手机厂商更是早早就杀入局中。在全球手机/PC市场保有量居高不下、用户换机周期高达51个月的当前，AI大模型无疑成为各大终端厂商全力押注之处。
从2023年下半年开始，华为、小米、OPPO、vivo、苹果、三星，以及产业链上的高通、联发科等都陆续推出手机AI大模型或手机AI大模型芯片。根据Counterpoint数据，仅在2024年第一季度，全球具有生成式AI功能的智能手机型号就从16个增加到30多个，AI手机销量占比从1.3%提高到6%。
大模型厂商、终端厂商、终端芯片厂商……小模型与端侧模型的兴起，已经逐渐成为产业共识。
一、端侧模型 vs 小模型
严格来说，“端侧模型”与“小模型”的概念并不能直接等同。
“小模型”通常指的是那些参数规模远少于GPT-3或Llama-13B的大语言模型，几个具有代表性的参数为1.5B、3B、7B等。
这些小模型虽然参数规模较少，但通过特定的设计和优化，仍然能够在某些任务上达到与大型模型相似的性能，从而降低计算资源消耗，提高能耗比。
“端侧模型”则通常指的是部署在手机、电脑、或其他移动设备、嵌入式系统等资源受限的设备上的模型，这些设备的计算资源（AI算力、内存等）往往不足以直接运行大型的预训练模型，同时对于端侧的能耗、发热等问题有着更为极致的要求。
因此，端侧模型需要特别设计以减少模型大小和模型架构，以便能够在端侧设备上高效运行。
其中，学术界关于小模型的技术研究较为深入，而产业界更注重端侧模型的工程化研究。
不过目前手机、PC等终端设备受限于计算资源问题，大多只能流畅运行小模型，因此大量相关研究都存在重合领域。本文内容对于两类模型均有所覆盖。
二、小模型三大技术流派
目前来看，全球关注度最高的小模型和端侧模型，仍要数Meta、微软、苹果分别与今年发布的Llama-3、Phi-3-mini、OpenELM/Apple Foundation Model。
从最底层技术架构上来说，Llama-3、Phi-3、OpenELM/Apple Foundation Model都采用了当前主流的、由GPT引领的Decoder-only Transformer架构。
同时，当前主流小模型也统一采用了“预训练Pre-train + 微调Fine-tune + 对齐Alignment”的模型训练思路。
（苹果模型训练思路，技术博客《Introducing Apple’s On-Device and Server Foundation Models》）
从整体来说，当前主流小模型的核心技术思路与“大”模型一致。
不过具体到各个小模型的模型设计、训练方法、数据工程领域，则衍生出不同的技术派别。
1、暴力美学派
在众多派别中，最具代表性玩家之一当属Llama-3。
Meta的Llama是大模型领域市场认知度最高的开源大模型系列。2024年4月，Meta在官网通过技术博客的形式正式发布了最新的Llama-3系列大模型，在当时的主流榜单上取得了不俗的成绩。
其中，Llama-3共有80亿（8B）、700亿（70B）两种参数；而根据Meta透露，其4000亿（400B）参数的Llama-3模型还在训练当中。
Llama-3在模型架构上跟上一代Llama-2差别不大，但训练数据规模上却有了惊人的提升。
根据Meta技术博客内容，Llama-3的训练数据量达到了惊人的15万亿（15T）tokens！是Llama-2的7倍。
（Meta Llama-3训练数据，技术博客《Introducing Meta Llama 3: The most capable openly available LLM to date》）
要知道，根据Chinchilla Scaling Laws定律，对于一个8B的大模型，最优训练数据规模仅为0.2万亿tokens。
相比起来，Llama-3砸进去的15万亿tokens堪称数据“暴力美学”——但也确实卓有成效，Llama-3-8B在同等规模的模型间取得了惊人的优秀表现。
Meta研究人员还表示，15万亿并非是终点。研究人员在对Llama-3训练超过15万亿规模的数据之后，模型依旧展现出了对数线性级（log-linearly）的性能提升。
2、精耕细作派
虽然几乎同期发布，但微软Phi-3的训练数据思路与Llama-3大不相同。
Phi是微软旗下专注于开源小模型的系列模型。其中，Phi-1与Phi-2系列的模型参数规模都不超过3B，但表现十分亮眼。
Phi-3系列由微软于2024年4月发布，不仅依旧将研究重心放在小模型上，Phi-3的技术论文标题更是直白地写为《Phi-3技术报告：一个能在手机本地运行的高性能语言模型》，重点瞄准了端侧AI。
Phi-3系列包含3个版本：Phi-mini-3.8B、Phi-small-7B、Phi-medium-14B。
在训练数据设计思路上，Phi-3与Llama-3有着最大的分歧。根据技术论文信息，Phi-3的训练数据仅为3.3万亿tokens，只有Llama-3的四分之一不到。
但是，Phi-3研究人员对这3.3万亿的数据进行了大量数据工程研究，保证高质量数据的筛选与把控。
（微软Phi-3训练方案，技术论文《Phi-3 Technical Report: A Highly Capable Language Model Locally on Your Phone》）
这一思路沿用自微软Phi系列开山论文《Textbooks Are All You Need》的高质量数据集路线。在该论文中，微软用规模仅为 7B token 的“教科书级高质量数据”训练出1.3B参数的Phi-1，并自此沿用了这一路线。
Phi系列在训练数据领域的“精耕细作”与Llama系列的“暴力出奇迹”形成了强烈反差，也是当前两派技术争论的焦点之一。
3、架构创新派
除了上述Phi-3与Llama-3这类在数据工程、数据训练等领域展开的研究外，目前业内也有不少玩家重点关注小模型与端侧模型的架构创新，试图打造更为“原生”的小模型与端侧模型。
受限于端侧软硬件与小模型规模的天然限制，这类创新架构主要关注如何在保持注意力机制有效性的前提下，减少计算量和内存占用，提高模型的训练和推理效率。
例如，苹果于4月推出的OpenELM系列模型采用了细粒度的优化技术，用以提升模型的性能和资源利用效率。举例而言，在模型架构设计方面，OpenELM采用模型分层精调设计，使得整个模型可以面向硬件瓶颈做精细设计和优化，提高了小模型在端侧的运行效率。
Meta的MobileLLM系列则更是开始研究1B以下小模型的实验和验证，在其2024年2月的论文中分别提出了125M和300M两种最新小尺寸的模型，通过模型架构创新与模型参数高效分配，在该参数范围内取得了最好效果（SOTA），其API调用任务精度甚至做到了与Llama-2-7B接近，进一步降低了小模型端侧运行的潜在设备门槛。
三、热点技术
作为当前最火的技术领域，小模型/端侧模型的各个领域都衍生出不少热点技术方向，如模型架构创新领域的分组查询注意力（Grouped-query Attention）、稀疏注意力（Sparse Attention）、混合注意力（Mixed Attention）、线性复杂度注意力（Linear Complexity Attention）、模块化网络（Modular Network）等。
（在大模型训练及推理不同环节提高模型效率的相关研究，论文《Beyond Efficiency: A Systematic Survey of Resource-Efficient Large Language Models》）
在小模型与端侧模型的设计中，“高效（Efficient）”是一个核心思路，这一点在各类注意力（Attention）网络的架构创新中体现得尤为明显。
注意力网络是Transformer大模型技术的核心。传统的全局注意力网络需要对每个输入序列的所有位置进行计算，导致算力和内存需求暴增——这一点在端侧十分不利。
为了提高模型效率，无数研究人员自大模型诞生以来就投入有关注意力网络的创新中。
一个具有代表性的技术路径是稀疏注意力（Sparse Attention）。
（图(a)为全局注意力，图中(b) (c) (d)为Longformer作者提出的三种不同稀疏注意力机制，能够显著降低计算量，论文《Longformer: The Long-Document Transformer》）
谷歌在6月28日发布的最新SOTA模型Gemma-2中就用到了稀疏注意力网络。Gemma-2拥有9B和27B两种大小，谷歌称更适合手机终端运行的2B版本也即将发布。
在Gemma-2技术论文中谷歌表示，Gemma-2引入了交织局部-全局注意力（Interleaving Local-Global Attentions），其在每隔一层之间交替使用局部滑动窗口注意力（Local Sliding Window Attention）和全局注意力。最终Gemma-2在同等规模模型上达到了最新SOTA，甚至某些性能能够与其2-3倍大的模型相媲美。
此外，分组查询注意力机制（Grouped-query Attention, GQA）也是当前在小模型领域应用最广泛的技术之一。
GQA技术于2023年底由Google Research团队提出，是一种在大模型多头注意力机制（Multi-head Attention, MHA）和多查询注意力机制（Multi-query Attention, MQA）之间进行插值的方法。
（GQA技术思路，论文《GQA: Training Generalized Multi-Query Transformer Models from Multi-Head Checkpoints》）
虽然GQA技术正式提出还不到1年时间，但在Phi-3、Llama-3、苹果端侧模型、MobileLLM、Gemma-2、以及几乎所有主流小模型中全部采用了这一技术，其火爆程度可见一斑。
相较而言，多头注意力机制（Multi-head Attention, MHA）的模型表现质量更好，但多查询注意力机制（Multi-query Attention, MQA）的模型响应速度更快。
GQA则通过使用多个Key-value Head（数量少于Query Head）的方法进行“折中”，使得最终模型表现质量能够与MHA媲美的同时，模型响应速度提高3倍，达到MQA的标准，从而取得模型性能/表现的更好平衡。
（不同路径下模型质量与响应速度，论文《GQA: Training Generalized Multi-Query Transformer Models from Multi-Head Checkpoints》）
在数据资源日益稀缺的当下，合成数据（Synthetic Data）也是大模型业内最关注的技术突破之一。
Meta、微软、苹果等主流小模型都在其技术报告中提及了合成数据的使用，其中：Meta表示使用Llama-2生成训练数据用于支持Llama-3的文本质量分类器（text-quality classifiers）；微软表示Phi-3使用合成数据来训练模型的推理能力和部分细分领域能力；苹果则表示在Post-training阶段引入了合成数据。
不过，几家都没有具体透露更为详细的数据组成或内容。
整体而言，小模型和端侧模型目前还在产业发展早期，这几个热点方向仍有待学术与产业界的进一步探索。