在人工智能快速发展的今天，创新型模型如Mixtral 8x7B的出现，不仅推动了技术的进步，还为未来的AI应用开辟了新的可能性。这款基于Sparse Mixture of Experts（SMoE）架构的模型，不仅在技术层面上实现了创新，还在实际应用中展示了卓越的性能。尽管一个月前这个模型就发布，但是MistralAI今天才上传了这个模型的论文，我们可以看到更详细的信息。

以下是该模型关键特性的简要表格：

1. 架构：基于Transformer的混合专家层。每层有8个前馈块（专家）。一个路由网络在每层为每个token选择两个专家。

2. 参数：

   • 总参数数：47B
   • 推理时活动参数：13B
   • 前馈维度：4096
   • 层数：32
   • 头部维度：128
   • 隐藏维度：14336
   • 头部数量：32
   • KV头部：8
   • 上下文长度：32768 tokens
   • 词汇量：32000
   • 专家数量：8
   • 顶部K专家：2

3. 性能：

   • 在多个基准测试中超越或匹配Llama 2 70B和GPT-3.5。
   • 在数学、代码生成和多语言理解方面显示出优越的能力。
   • 包括一个为指令优化的版本，Mixtral 8x7B – Instruct，在人类评估基准测试中超越了其他多个模型。

4. 效率：

   • 在小批量大小时具有更快的推理速度。
   • 由于稀疏使用参数，在大批量大小时具有更高的吞吐量。

5. 许可证：根据Apache 2.0许可证发布。

Mixtral结果很好，对比如下：

从表格可以更直观地看出Mixtral在多个基准测试上的表现对比。尤其在代码生成和数学题目上明显优于Llama 2 70B。

• Mixtral 8x7B模型在多个评测任务上表现优异，包括常识推理、世界知识、阅读理解、数学和代码生成等领域。
• 在比较中，Mixtral 8x7B在几乎所有评测任务上都与或超过了Llama 2 70B和GPT-3.5的表现。
• 特别是在数学和代码生成任务上，Mixtral 8x7B表现显著优于Llama 2 70B。
• 在多语言基准测试中，Mixtral 8x7B在处理法语、德语、西班牙语和意大利语时表现出色，超过了Llama 2 70B。

这些结果显示了Mixtral 8x7B在多样化任务上的强大性能，尤其是在需要高级数学和编程能力的任务上。由于无法直接提供详细的表格内容，如需深入了解具体的评测结果，请参考原论文的相关章节。

这个模型代表了语言建模方面的重大进步，特别是在有效处理大量参数和在多样化任务中的表现方面。

论文地址：https://arxiv.org/pdf/2401.04088.pdf