近日，斯坦福大学研究人员发布的 Octopus v2模型引起了开发者社区的极大关注，其20亿参数的模型一夜下载量超过2k。
这一模型可以在智能手机、汽车、个人电脑等端侧设备上运行，并在准确性和延迟方面表现超越了 GPT-4，同时将上下文长度减少了95%。Octopus v2还比 Llama7B + RAG 方案快了整整36倍，展示了端侧 AI 智能体的崛起。
Octopus v2的设计独特之处在于其函数性 token 策略，使其能够实现与 GPT-4相当的性能水平，同时大幅提高推理速度，超越基于 RAG 的方法，对边缘计算设备特别有利。模型在生成单独的、嵌套的和并行的函数调用时表现优异。为了训练该模型，研究团队采用了高质量数据集，并使用 Google Gemma-2B 作为预训练模型框架。训练过程中采用了完整模型训练和 LoRA 模型训练两种方法，展现了 Octopus v2在推理速度和准确性方面的优异表现。
在基准测试中，Octopus v2表现出卓越的推理速度，比 Llama7B + RAG 解决方案快36倍，在准确率上也超越了其他方案。这种效率和性能的提升归功于 Octopus v2的函数性 token 设计，使其成为端侧设备上极具竞争力的 AI 智能体。设备端 AI 智能体时代即将到来，Octopus v2的发布为这一趋势注入了新的活力。
论文:https://arxiv.org/abs/2404.01744
产品入口:https://huggingface.co/NexaAIDev/Octopus-v2
ctoai 智能rag智能体准确性tokengptllamagpt-4模型训练googlehuggingface数据集arxivemma高质量斯坦福大学预训练准确率边缘计算
