Stability AI 连扔两个王炸！首个开源 RLHF 模型登基，DeepFloyd IF 像素级出图
来源：新智元
【导读】开源先锋StabilityAI一天扔了两枚重磅炸弹：发布史上首个开源RLHF大语言模型，以及像素级图像模型DeepFloyd IF。开源社区狂喜！
最近，大名鼎鼎的Stable Diffusion背后的公司，一连整了两个大活。
首先，Stability AI重磅发布了世上首个基于RLHF的开源LLM聊天机器人——StableVicuna。
StableVicuna基于Vicuna-13B模型实现，是第一个使用人类反馈训练的大规模开源聊天机器人。
有网友经过实测后表示，StableVicuna就是目前当之无愧的13B LLM之王！
对此，1x exited创始人表示，这可以看作是自ChatGPT推出以来的第二个里程碑。
另外，Stability AI 发布了开源模型DeepFloyd IF，这个文本到图像的级联像素扩散模型功能超强，可以巧妙地把文本集成到图像中。
这个模型的革命性意义在于，它一连解决了文生图领域的两大难题：正确生成文字，正确理解空间关系！
秉持着开源的一贯传统，DeepFloyd IF在以后会完全开源。
Stailibity AI，果然是开源界当之无愧的扛把子。
StableVicuna
世上首个开源RLHF LLM聊天机器人StableVicuna，由Stability AI震撼发布！
一位Youtube主播对Stable Vicuna进行了实测，Stable Vicuna在每一次测试中，都击败了前任王者Vicuna。
所以这位Youtuber激动地喊出：Stable Vicuna就是目前最强大的 13B LLM模型，是当之无愧的LLM模型之王！
StableVicuna基于小羊驼Vicuna-13B模型实现， 是Vicuna-13B的进一步指令微调和RLHF训练的版本。
而Vicuna-13B是LLaMA-13B的一个指令微调模型。
从以下基准测试可以看出，StableVicuna与类似规模的开源聊天机器人在整体性能上的比较。
StableVicuna可以做基础数学题。
可以写代码。
还能为你讲解语法知识。
开源聊天机器人平替狂潮
Stability AI想做这样一个开源的聊天机器人，当然也是受了此前LLaMa权重泄露引爆的ChatGPT平替狂潮的影响。
从去年春天Character.ai的聊天机器人，到后来的ChatGPT和Bard， 都引发了大家对开源平替的强烈兴趣。
这些聊天模型的成功，基本都归功于这两种训练范式：指令微调和人类反馈强化学习 (RLHF)。
这期间，开发者一直在努力构建开源框架帮助训练这些模型，比如trlX、trl、DeepSpeed Chat和ColossalAI等，然而，却并没有一个开源模型，能够同时应用指令微调和RLHF。
大多数模型都是在没有RLHF的情况下进行指令微调的，因为这个过程十分复杂。
最近，Open Assistant、Anthropic 和 Stanford都开始向公众提供RLHF数据集。
Stability AI把这些数据集与trlX提供的RLHF相结合，就得到了史上第一个大规模指令微调和RLHF模型——StableVicuna。
训练过程
为了实现StableVicuna的强大性能，研究者利用Vicuna作为基础模型，并遵循了一种典型的三级RLHF管线。
Vicuna在130亿参数LLaMA模型的基础上，使用Alpaca进行调整后得到的。
他们混合了三个数据集，训练出具有监督微调 (SFT) 的Vicuna基础模型：
- OpenAssistant Conversations Dataset (OASST1)，一个人工生成的、人工注释的助理式对话语料库，包含 161,443条消息，分布在66,497个对话树中，使用35种不同的语言；
- GPT4 All Prompt Generations，由 GPT-3.5 Turbo 生成的 437,605 个提示和响应的数据集；
- Alpaca，这是由OpenAI的text-davinci-003引擎生成，包含52,000条指令和演示的数据集。
研究者使用trlx，训练了一个奖励模型。在以下这些RLHF偏好数据集上，研究者得到了SFT模型，这是奖励模型的基础。
- OpenAssistant Conversations Dataset (OASST1)，包含7213个偏好样本；
- Anthropic HH-RLHF，一个关于AI助手有用性和无害性的偏好数据集，包含160,800个人类标签；
- 斯坦福人类偏好 (SHP)，这是一个数据集，包含348,718个人类对各种不同回答的集体偏好，包括18个从烹饪到哲学的不同学科领域。
最后，研究者使用了trlX，进行近端策略优化 (Proximal Policy Optimization, PPO) 强化学习，对SFT模型进行了RLHF训练，然后，StableVicuna就诞生了！
据Stability AI称，会进一步开发StableVicuna，并且会很快在Discord上推出。
另外，Stability AI还计划给StableVicuna一个聊天界面，目前正在开发中。
相关演示已经可以在HuggingFace上查看了，开发者也可以在Hugging Face上下载模型的权重，作为原始LLaMA模型的增量。
但如果想使用StableVicuna，还需要获得原始LLaMA模型的访问权限。
获得权重增量和 LLaMA 权重后，使用GitHub存储库中提供的脚本将它们组合起来，就能得到StableVicuna-13B了。不过，也是不允许商用的。
DeepFloyd IF
在同一时间，Stability AI还放出了一个大动作。
你敢信，AI一直无法正确生成文字这个老大难问题，竟然被解决了？（基本上）
没错，下面这张「完美」的招牌，就是由StabilityAI全新推出的开源图像生成模型——DeepFloyd IF制作的。
除此之外，DeepFloyd IF还能够生成正确的空间关系。
模型刚一发布，网友们已经玩疯了：
prompt: Robot holding a neon sign that says “I can spell”.
不过，对于prompt中没有明确说明的文字，DeepFloyd IF大概率还是会出错。
prompt：A neon sign of an American motel at night with the sign javilop
官方演示
顺便一提，在硬件的需求上，如果想要实现模型所能支持的最大1,024 x 1,024像素输出，建议使用24GB的显存；如果只要256 x 256像素，16GB的显存即可。
是的，RTX 3060 16G就能跑。
代码实现：https://gist.github.com/Stella2211/ab17625d63aa03e38d82ddc8c1aae151
开源版谷歌Imagen
2022年5月，谷歌高调发布了自家的图像生成模型Imagen。
根据官方演示的效果，Imagen不仅在质量上完胜OpenAI最强的DALL-E 2，更重要的是——它能够正确地生成文本。
迄今为止，没有任何一个开源模型能够稳定地实现这一功能。
与其他生成式AI模型一样，Imagen也依赖于一个冻结的文本编码器：先将文本提示转换为嵌入，然后由扩散模型解码成图像。但不同的是，Imagen并没有使用多模态训练的CLIP，而是使用了大型T5-XXL语言模型。
这次，StabilityAI推出的DeepFloyd IF复刻的正是这一架构。
甚至在测试中，DeepFloyd IF凭借着COCO数据集上6.66的zero-shot FID分数，直接超越了谷歌的Imagen，以及一众竞品（包括自家Stable Diffusion）。
下一代图像生成AI模型
具体来说，DeepFloyd IF是一个模块化、级联的像素扩散模型。
- 模块化：
DeepFloyd IF由几个神经模块组成（可以解决独立任务的神经网络），它们在一个架构中相互协同工作。
- 级联：
DeepFloyd IF以多个模型级联的方式实现高分辨率输出：首先生成一个低分辨率的样本，然后通过连续的超分辨率模型进行上采样，最终得到高分辨率图像。
- 扩散：
DeepFloyd IF的基本模型和超分辨率模型都是扩散模型，其中使用马尔可夫链的步骤将随机噪声注入到数据中，然后反转该过程从噪声中生成新的数据样本。
- 像素：
DeepFloyd IF在像素空间工作。与潜在扩散模型（如Stable Diffusion）不同，扩散是在像素级别实现的，其中使用潜在表征。
上面这个流程图展示的就是，DeepFloyd IF三个阶段的性能：
- 阶段1：
基本扩散模型将定性文本转换为64x64图像。DeepFloyd团队已经训练了三个版本的基本模型，每个版本都有不同的参数：IF-I 400M、IF-I 900M和IF-I 4.3B。
- 阶段2：
为了「放大」图像，团队将两个文本条件超分辨率模型（Efficient U-Net）应用于基本模型的输出。其中之一将64x64图像放大到256x256图像。同样，这个模型也有几个版本：IF-II 400M和IF-II 1.2B。
- 阶段3：
应用第二个超分辨率扩散模型，生成生动的1024x1024图像。最后的第三阶段模型IF-III拥有700M参数。
值得注意的是，团队还没有正式发布第三阶段的模型，但DeepFloyd IF的模块化特性让我们可以使用其他上采样模型——如Stable Diffusion x4 Upscaler。
团队表示，这项工作展示了更大的UNet架构在级联扩散模型的第一阶段的潜力，从而为文本到图像合成展示了充满希望的未来。
数据集训练
DeepFloyd IF是在一个定制的高质量LAION-A数据集上进行训练的，该数据集包含10亿（图像，文本）对。
LAION-A是LAION-5B数据集英文部分的一个子集，基于相似度哈希去重后获得，对原始数据集进行了额外的清理和修改。DeepFloyd的定制过滤器用于删除水印、NSFW和其他不适当的内容。
目前，DeepFloyd IF模型的许可仅限于非商业目的的研究，在完成反馈的收集之后，DeepFloyd和StabilityAI团队将发布一个完全免费的商业版本。
参考资料：
https://stability.ai/blog/stablevicuna-open-source-rlhf-chatbot
https://stability.ai/blog/deepfloyd-if-text-to-image-model