本文經(jīng)AI新媒體量子位（公眾號ID:QbitAI）授權(quán)轉(zhuǎn)載，轉(zhuǎn)載請聯(lián)系出處。

GPT-4的使用成本，竟然是GPT-3.5的50倍之多；

(資料圖)

而讓大語言模型同時處理25個請求的時間，僅是處理單個請求的2倍……

這些數(shù)據(jù)聽上去可能有些出乎意料，但都是真實的。

它們出自一篇名為《大語言模型（LLM）開發(fā)者必須知道的數(shù)字》的GitHub文章。

文章發(fā)布之后僅1天，便獲得了1200次星標(biāo)。

文章基于真實的開發(fā)經(jīng)驗，介紹了提示工程、硬件資源、價格等方面的數(shù)據(jù)。

就算沒有成為開發(fā)者的打算，拿來擴充一下知識儲備也是極好的。

我們不妨先來看一下文章作者制作的速覽圖表：

接下來，我們就來詳細(xì)介紹一下這些數(shù)據(jù)。

40-90%：在提示詞中加入“Be Concise”節(jié)約的成本

使用LLM是按照回復(fù)的token數(shù)量付費的，因此讓LLM的回答簡明扼要可以節(jié)約成本。

在提示詞中加入“Be Concise”（答案簡明些），可以節(jié)約40-90%的成本。

1.3：每個單詞的平均token數(shù)

LLM是對token進行操作的，token可能包含完整單詞或其中的一部分。

如“eating”是由“eat”和后綴“ing”兩個token組成。

一篇750詞的英文文章中大約含有1000個token。

而對于其他語言，每個詞所含的token數(shù)量可能更多。

價格數(shù)據(jù)會存在波動，本節(jié)的價格數(shù)據(jù)主要參考OpenAI，但其他公司數(shù)據(jù)也相似。

約50倍：GPT-4與GPT-3.5花費的比值

效果上，GPT-4的表現(xiàn)明顯好于GPT-3.5，但其成本約為后者的50倍之多。

因此，對于諸如總結(jié)這類GPT-3.5也能出色完成的任務(wù)，可以考慮不使用更昂貴的GPT-4。

5倍：GPT-3.5-Turbo生成與使用OpenAI embedding的成本比

諸如“美國的首都是哪里”這類可以通過檢索得到答案的問題，讓LLM生成答案的成本是檢索的5倍。

而如果使用GPT-4，成本差異將高達250倍。

10倍：OpenAI embedding與自建embedding的成本比

這一數(shù)字為大約數(shù)值，實際情況可能隨著embedding的規(guī)模而變化。

6倍：微調(diào)版與基本版OpenAI模型的成本比值

盡管成本較為昂貴，但對基本OpenAI模型的微調(diào)是有意義的。

對基本模型進行微調(diào)的效益明顯高于定制模型。

1倍：自建模型是否進行微調(diào)的成本比

由于參數(shù)量相同，是否進行微調(diào)對自建模型的成本幾乎沒有影響。

約100萬美元：在1.4萬億token上訓(xùn)練130億參數(shù)模型的成本

這一數(shù)字是建立在一切工作都十分順利、沒有發(fā)生崩潰的前提下計算出的。

Meta的大語言模型LLaMA的論文當(dāng)中顯示，用2048塊80GB A100 GPU進行訓(xùn)練LLaMA一共花費了21天。

<0.001：微調(diào)與從頭開始訓(xùn)練的成本比

這一數(shù)據(jù)有一些籠統(tǒng)，但微調(diào)的成本幾乎可以忽略不計。

對一個60億參數(shù)模型進行微調(diào)的成本大約是7美元。

即使是最貴的OpenAI模型Davinci，1000個token的微調(diào)成本也只有3美分。

相對于對一部莎士比亞全集進行微調(diào)也只需要40美元。

如果你要自建模型，了解其GPU消耗十分重要。

本節(jié)所列數(shù)據(jù)僅是推理過程所消耗的資源量，訓(xùn)練和微調(diào)過程還需要更多資源。

V100: 16GB, A10G: 24GB, A100: 40/80GB：GPU內(nèi)存大小

GPU內(nèi)存大小決定了LLM的參數(shù)量上限。

24GB的A10G在亞馬遜云服務(wù)中的價格為1.5-2美元每小時。

參數(shù)量的2倍：LLM的典型GPU內(nèi)存需求

例如，7B參數(shù)量的LLM需要消耗14GB的GPU內(nèi)存。

這是因為大多數(shù)時候，每個參數(shù)需要16bit浮點空間。

通常情況下不需要使用超過16bit的精度，8bit則會顯著降低結(jié)果精準(zhǔn)度。

約1GB：嵌入式模型的典型GPU內(nèi)存需求

嵌入式模型消耗的本地GPU資源是很小的。

甚至可以在一塊GPU上同時運行多個嵌入式模型。

超過10倍：批量處理LLM請求帶來的吞吐量改善

在GPU上運行LLM時往往會有較大延遲。

一次請求消耗的時間可能長達5秒，相對于每秒僅能處理0.2個。

但如果同時發(fā)送兩個請求，消耗的時間約為5.2秒。

而將25個請求捆綁發(fā)出的耗時約為10秒，相對于每秒可處理2.5個請求。

約1MB：130億參數(shù)模型輸出1個token所需的GPU內(nèi)存

內(nèi)存消耗量與生成token數(shù)成正比。

512個token（約380個英文單詞）需要消耗512MB的空間。

這篇文章的作者來自開源人工智能框架Ray的開發(fā)公司Anyscale。

主要貢獻者是Google前首席工程師Waleed Kadous。

他也曾擔(dān)任Uber CTO辦公室工程戰(zhàn)略負(fù)責(zé)人。

其中一位華人合作者是Google前員工Huaiwei Sun。

他來自江蘇昆山，本科畢業(yè)于上海交通大學(xué)工業(yè)設(shè)計專業(yè)。

期間，他參加了耶魯大學(xué)summer school并取得了滿績。

此后他取得了佐治亞理工學(xué)院碩士學(xué)位，研究方向為人機交互。

此外還有其他作者也參與了這篇文章的工作，未來也可能有更多人加入。

參考鏈接：[1]https://github.com/ray-project/llm-numbers[2]https://www.linkedin.com/in/scottsun94/

標(biāo)簽：