1. Dolly 2.0：世界上第一个齐全开源的指令追随 LLM
两周前，Databricks 公布了类 ChatGPT 的大型语言模型 (LLM)Dolly，其训练老本不到 30 美元。明天，他们公布了 Dolly 2.0，这是业内第一个开源的指令追随 LLM，并依据高质量的人类生成的指令数据集（15000 个 prompt/response pairs）进行了微调。Dolly 2.0 基于 EleutherAI pythia 模型系列，是一个具备 12B 参数的语言模型。
他们正在齐全开源 Dolly 2.0，包含训练代码、数据集和模型权重，这些都能够商用。这意味着，任何组织都能够创立、领有和定制弱小的 LLM，并且无需领取 API 拜访费用或与第三方共享数据。
链接：
1. https://huggingface.co/databricks；
2. https://www.databricks.com/blog/2023/04/12/dolly-first-open-c…
2. 大型语言模型综述全新出炉：从 T5 到 GPT- 4 最全盘点
思考到 LLMs 的疾速技术提高，中国人民大学的二十几位研究者通过背景常识、要害发现和支流技术等三方面回顾了 LLMs 的最新进展，尤其关注 LLMs 的预训练、自适应调优、应用和能力评估。此外他们还总结和开发 LLMs 的可用资源，探讨了将来倒退方向等问题。对于畛域内钻研人员和工程师而言，这份综述是一份极其有用的学习资源。
链接：
https://mp.weixin.qq.com/s/7HRr55Md2Wl6EHQMGioumw
3. OpenAI 创始人：GPT- 4 的钻研起源和构建心法
GPT 模型所获得的成就令人艳羡，不过这建设在 OpenAI 数年的技术摸索和坚定信念上。作为深度参加了 GPT 模型从 0 到 1 生产过程，以及推动 GPT 钻研和工程落地的次要“幕后推手”，Brockman 对此深有体会，“它并非试图像疾速致富那样过眼云烟，而是始终在迟缓积攒价值，才有了指数级增长带来的微小回报。”
链接：
https://mp.weixin.qq.com/s/hO1ZdqgOjpA328luobQ9eg
4. ChatGPT 作者 John Schulman：咱们胜利的秘密武器
新增的对话数据诚然重要，不过，让 ChatGPT 更容易推断出用户的用意，产生量变的根本原因是已在 InstructGPT 应用的“人类反馈的强化学习（RLHF）”技术，OpenAI 联结创始人、钻研科学家 John Schulman 认为，RLHF 才是 ChatGPT 的秘密武器（secret sauce）。本文中，咱们能够看到 ChatGPT 技术演进的脉络和未曾在论文中被形容的细节，以及 OpenAI 团队的下一步钻研方向。
链接：
https://mp.weixin.qq.com/s/sDeBYMvAwbJr5_tj7Q20-w
5. 千亿参数开源大模型 BLOOM 背地的技术
近年来，语言模型越训越大已成为常态。大家通常会诟病这些大模型自身的信息未被公开以供钻研，但很少关注大模型训练技术这种背地的常识。本文旨在以 1760 亿参数的语言模型 BLOOM 为例，说明训练此类模型背地的软硬件工程和技术要点，以促成大家对大模型训练技术的探讨。
链接：
https://zhuanlan.zhihu.com/p/615839149
6. 分布式训练的十大常见谬误和解决方案
大型语言模型（LLM）时代，分布式训练势在必行，因为数据和模型权重很少能同时放到一张卡上。然而，ML 中的分布式训练非常复杂且容易出错，其中暗藏着许多陷阱，可能会在模型训练过程中引发微小问题。本文将介绍分布式模型训练中十个最常见的谬误，并将针对每个谬误提出解决方案。
链接：
https://neptune.ai/blog/distributed-training-errors
6.5. AutoGPT 太火了，无需人类插手自主实现工作
近日，AI 界貌似呈现了一种新的趋势：自主人工智能。这不是空穴来风，最近一个名为 AutoGPT 的钻研开始走进公众视线。特斯拉前 AI 总监、刚刚回归 OpenAI 的 Andrej Karpathy 也为其鼎力宣传，并在推特投诉：「AutoGPT 是 prompt 工程的下一个前沿。」
链接：
https://mp.weixin.qq.com/s/bV1tPc7hNn2z06YOpzyanw
7. 了解大型语言模型（入门浏览清单）
因为 Transformer 对每个人的钻研工作产生了如此大的影响，作者列举了一个浏览清单供机器学习钻研人员和从业者入门 LLM。
链接：
https://sebastianraschka.com/blog/2023/llm-reading-list.html?
8. 大模型汇总（10 亿级参数规模以上 ）
大模型（大型语言模型，LLMs）是当下 AI 和 NLP 钻研与产业中最重要的方向之一。本文将对当下的支流大模型进行总结。参数规模在 1B 以上的模型视为大模型。
链接：
https://zhuanlan.zhihu.com/p/611403556
9. ML 零碎入门材料整顿（tvm&mlir&llvm）
对于想入门 mlsys 或者想深刻学习某种编译器的开发者来说，心愿这个材料能够成为不错的终点。
链接：
https://zhuanlan.zhihu.com/p/618229430
10. 谈谈对 OpenAI Triton 的一些了解
Triton 应该算是笔者看到的基于 MLIR 编译技术门路实现，性能和性能均可满足一部分理论需要且失去了生产测验，并且在支流 AI 加速器上解决了计算密集算子开发需要的第一个开源工作。
链接：
https://zhuanlan.zhihu.com/p/613244988
11. mperf：挪动 / 嵌入式平台算子性能调优利器
在挪动 / 嵌入式平台，为了最大水平施展硬件算力，对算子极致性能的谋求变成必然，不同于桌面 / 服务器平台，挪动 / 嵌入式平台在算子性能调优方面可抉择的工具很少。mperf 是一个微架构档次的算子性能调优工具箱，次要面向挪动 / 嵌入式平台的 CPU/GPU 外围，指标是“为构建一个更靠近闭环的算子调优反馈回路”提供系列根底工具。
链接：
https://zhuanlan.zhihu.com/p/610346564
12. 小型 Python 编译器我的项目入门
适宜对编译优化、高性能计算、GPU 编程感兴趣，齐全零根底的同学也没问题，然而须要相熟 Python 编程。
编译器和测试局部代码齐全用 Python 编写，算子的局部应用 cupy 的 rawKernel 性能将 cuda 代码编译成一个 Python 函数。目前已实现了第一个模块的代码局部，共分为 5 天，每一天的所有代码加起来不超过 100 行，简略易懂。
链接：
https://zhuanlan.zhihu.com/p/603352525
13. CUDA 编程：罕用技巧 / 办法
不论你是在学习 CUDA，还是在优化算子，把握一些 CUDA 编程技巧，可能晋升你的工作效率，甚至找到更优解。本文次要是介绍一些罕用的技巧 / 办法，并配上实际 code，心愿对读者有所帮忙。
链接：
https://zhuanlan.zhihu.com/p/584501634
14. NCCL 源码解析①：初始化及 ncclUniqueId 的产生
NCCL 是英伟达开源的 GPU 通信库，反对汇合通信和点对点通信。
链接：
https://mp.weixin.qq.com/s/_SOmkGoo9DblXb8ddyEeaQ
15. 适配 PyTorch FX，OneFlow 让量化感知训练更简略
OneFlow 紧随其后增加了针对 OneFlow 的 fx，即 One-fx，在装置 One-fx 之后，用户能够间接调用 oneflow.fx，也能够间接通过 import onefx as fx 进行应用。
链接：
https://mp.weixin.qq.com/s/O8yGUuTL-o_gHQV4xez_nQ
16. One-YOLOv5 v1.2.0 公布：反对分类、检测、实例宰割
新版本同步了 Ultralytics YOLOv5 的上游分支 v7.0，同时反对分类、指标检测、实例宰割工作；反对 flask_rest_api；反对应用 wandb 对试验跟踪和可视化性能；oneflow_hub_support_pilimage；为每个 batch 的 compute_loss 局部缩小一次 h2d 和 cpu slice_update 操作；优化 bbox_iou 函数和模型滑动均匀局部，大幅晋升训练性能；
兼容 FlowFlops，训练时能够展现模型的 FLOPs
链接：
https://mp.weixin.qq.com/s/bkEkInaF7Ht7KsdXUFkw-Q
欢送 Star、试用 OneFlow 最新版本：https://github.com/Oneflow-Inc/oneflow/