在大模型的浪潮下，我对“小模型”的探索与实践之路

本文为稀土掘金技术社区首发签约文章，30天内禁止转载，30天后未获授权禁止转载，侵权必究！

如今"大模型"一词很火，但我却找不到它的定义。目前业内只存在大语言模型 (large language model, LLM) 一说。其特征就是参数大（10亿级别起步），范围大（通用非垂直领域）。

外行看热闹时，我却遭受着大模型的煎熬。首先，我调研了国内外开源、不开源的大模型。然后，部署搭建、调用、对比分析，进行时间、数据、设备成本的估算和汇总。最后，结合实际情况，给领导上报最佳方案。领导感觉，还是太贵。

拿调用第三方来说，国内的几个"XX大模型"不是很好用，而且你也不好做过程干预。ChatGPT的生态不错，但是又涨价了，还涉及数据安全问题。

利用开源的项目倒是能自己训练，但是得有GPU设备啊。买一个RTX 3090(性能不错的显卡)，要万元起步。租云主机倒也可以，但是租几段时间就够买一个的了。一个RTX 3090跑百万级别的多轮对话数据，需要一个星期才能稍有效果......

对于AI，你们看到的全是风口，我看到的全是破窟窿。

老板问：没有钱，就不能有人工智能的梦想吗？

一、什么是小模型？

有梦想都是可贵的，和身份无关。我们不能一边说咸鱼有梦想是励志，而老板有梦想就是荒诞。

后来，我又和很多人交流过。大家的情况都差不多，传统行业，想搭AI的车，不愿花钱，诉求简单。

我一个老同事，产品经理。他去了图书公司。他们集团的信息部就仨人，俩技术，一个产品。所有系统是外包出去的，这仨人负责需求的发布和验收。因为成本低，利润大，所以他们的待遇很高，而且从来不加班。我感觉他活的很明白。

正是通过和这个大明白的交流，让我有了"小模型"的构想。

小模型就是针对不以AI为卖点的互联网产品，所提出的带有AI概念的低成本方案。

小模型不大，参数不多，功能不强，由服务端生成，在客户端运行。类似你需要一辆代步车，鉴于你全程跑不到50公里/时，我给你一辆最高时速就到50公里的车。另外，它在客户端部署运行。这又好比你不用长期持有车。当需要进货时，临时租个货车。有人下单了，客户会来仓库自提。

说白了就是人家主业是卖图书、卖糕点，但围绕主业他还有一个附带的互联网小产品。这个小产品，具有AI概念。作用就是当大家的图书质量都一样，难以区分时，我有的，你没有。

下面是小模型和大模型的成本对比图。

从上图看，在模型制作阶段，小模型和大模型的成本接近。但到了发布后，大模型依然需要依赖AI服务器提供推理，但小模型只需要提供模型文件下载即可。也就是说，小模型对算法硬件只有临时性需求。一旦生成，即可脱离。

以"大明白"的阅读想法为例。下面是我对小模型思路的具体实践。我通过TensorFlow Lite，将一个自训练的中文阅读理解问答模型，运行在了Android手机上。

上面的例子，实现了面对琐碎的资料，不用阅读全文即可从文中快速找到答案。

下面，我将对整个过程进行说明和讲解，并在文末附上相关资料。

二、小模型的制作方法

小模型的生成方式有三种：

• 1、依照大模型生成的路数，后续转化为小模型。
• 2、训练时，直接生成在客户端部署的小模型。
• 3、由客户端训练，可在客户端运行的小模型。

以上三种方式，我会讲解前两种。因为第3种，我没遇到应用场景，也没有实际操作过，因此不敢乱说。之所以提它，是因为有理论依据[参考1]。

2.1 选择平台

不管是直接生成，还是间接转化，小模型都是由开发框架产生的。因此在选择框架上，要考虑多平台支持。令人惊喜的是，目前谷歌有TensorFlow Lite，Facebook有PyTorch Mobile，它们都支持客户端AI。

非但如此，现在Transformers库的出现，也让PyTorch、TensorFlow这些模型可以相互转化和使用。可以说，国外的AI生态很好，虽然他们相互竞争，但都开源，打明牌，杠实力。

本例中我选择谷歌的TensorFlow。因为它的民间基础牢固。每年都会有学生问"都2020年了，还学TensorFlow？"、"都2021年了，竟然搭建TensorFlow？"、"2023年了......"。是的，每年都问。这个问题解释起来很费劲。我换一种说法可以辅助你理解，那就是"2023年的中国，你居然还讲究人情世故？"

TensorFlow也是如此，它在工业界依然有一定的占比。甚至很多企业还跑着篡改的TensorFlow 1.x版本。你去了......要么重构项目，要么重构自己。

2.2 选择模型

搞小模型，不用选最好的，要选最适合自己的。这就如同你家离单位1公里，你要选择通勤工具。此时，雅阁和雅迪的性能差距不大，但是成本却明显不同。

对于大明白提的书籍段落的阅读理解问答，我选择从谷歌的Bert框架做微调。

2.2.1 Bert与预训练模型

先别说"都2023年了，还Bert......"。我的目的是低成本解决问题，并非去搞创造性研究（老板们很认可我的话，科学家却朝我吐口水）。

Bert[参考2]是谷歌2018年推出的一款语言模型，其参数尚未达到十亿级别，因此它还称不上"大语言模型"。即便如此，我给你算算它的训练成本。

训练100GB的文本数据，需要8台配置相似的高性能GPU服务器，每台服务器配备4个NVIDIA V100 GPU，总共32个GPU，至少需要训练7天的时间。

咱不算服务器、冷却系统的钱，不算整理数据集的成本，电费也忽略不计。单是额外配的这32个V100，也要40万人民币。咱不买，就算租，你租人家40万的设备，他还得配机房、客服、电工，能给你便宜多少。

值得庆幸的是，在NLP领域，Bert发布了一个叫"预训练模型 "的东西。预训练的概念最早在2013年提出。但真正第一个实现落地的，就是Google Research团队在Bert模型身上。

Bert发布了很多预训练模型的版本，下面列举几个：

• BERT-Base：通用模型，1.1亿个参数。
• BERT-Base, Multilingual：102种语言，1.1亿个参数。
• BERT-Base, Chinese：中文语言，1.1亿个参数。
• BERT-Large：更大、更复杂的版本，3.4亿个参数。

这些预训练模型有什么用呢？

其实就是提供了一个基础认知。你想让计算机实现阅读理解，它首先得有基本的认知。

阅读：朱元璋推翻了元朝建立了明朝。 问题：朱元璋打败了谁？

最终AI给出答案：元朝。

我们来分析一下，AI要回答上面的问题，它得具备什么前置知识。

• "打败"和"推翻"指的是一个意思。
• "元朝"是一个特指名称。它没有回答打败了"元朝建"或者"元朝建立"。
• "谁"指的是问一个对象的名称。

就是这样。让计算机理解"人需要呼吸才能活"、"包子是一种食物"、"我、俺、咱指的是同一方"这类常识是最难的。因为我们从小到大都学过，并且我们自然而然地认为计算机也知道。其实不是，它也不知道。

有了基础认知，你再去训练自己提供的数据，AI才能理解你问的是什么，回答的是什么，并依照数据特征，定制你的口味。

另外，通过预训练模型，我们自训练的效率会有极大提升。甚至你手里的笔记本电脑就可以训练。我给你算算基于预训练模型的训练成本。

训练几千条问答数据，用普通的台式办公电脑（i7处理器，8核，32G内存），运行6个小时，就能有很好的效果。

2.3 整理数据集并训练

首先下载Bert代码，地址是：github.com/google-rese...

环境依赖非常纯净：

tensorflow: 1.11.0
python: 3.6

虽然看似简洁，但据我了解，很多读者依然会遇到各种各样的困难，比如被pip install tensorflow==1.11.0这条安装命令，困扰好多天。这类问题就像我说打开易拉罐，结果你一拽拉环断了。只能说，请相信总会有办法解决。

建议大家读它的README.md文档，一定要耐心去读。因为，我说的步骤也是从文档中摘选的。

环境和代码都准备好后，就可以训练数据了。训练数据，需要执行以下命令：

python run_squad.py \
  --vocab_file=$BERT_BASE_DIR/vocab.txt \
  --bert_config_file=$BERT_BASE_DIR/bert_config.json \
  --init_checkpoint=$BERT_BASE_DIR/bert_model.ckpt \
  --do_train=True \
  --train_file=$SQUAD_DIR/train-v1.1.json \
  --train_batch_size=12 \
  --learning_rate=3e-5 \
  --num_train_epochs=2.0 \
  --max_seq_length=384 \
  --doc_stride=128 \
  --output_dir=/tmp/squad_base/

2.3.1 训练文件

run_squad.py表示运行斯坦福问答数据集SQuAD。SQuAD(Stanford Question Answering Dataset)是斯坦福大学在2016年公开的一个阅读理解数据集。它里面包含了大约1万个问题、段落和答案，全都标记好了。以此提供给语言模型进行训练和测试。

Bert为了落地，就以此问答数据集作为样板供大家使用。我们的诉求也类似，也是通过阅读一段文本，然后从文中寻求答案，所以我们选择它。

除此之外，你也能看到其他应用，比如run_classifier.py是文本分类的例子。

2.3.2 预训练模型

命令里提到了一个目录，叫BERT_BASE_DIR。这是Bert预训练模型的目录，你愿意使用哪一个模型，就指定它为目录。

前面提到的预训练模型，在README.md文档中都有下载链接。

下载下来的文件结构如下所示：

|--bert_config.json
|--bert_model.ckpt.data-00000-of-00001
|--bert_model.ckpt.index
|--bert_model.ckpt.meta
|--vocab.txt

他们有什么区别呢？主要区别在于词汇表vocab.txt上。我都下载下来了，给大家展示下区别。

首先看标准版BERT-Base的词汇表。

上图的标准版词汇表，只有200来个汉字，其他全是英文单词。

词汇表有什么用呢？它会将文本依照词汇表序列化成数字。

我们看到"0"被定义为1014，"1"被定义为1015。当你感觉它多此一举时，到后面又发现"帝"被定义为1838，"心"定义为1849。而再到后面大量的英文单词，也都有所定义。

......
"people":2111,"part":2112,"know":2113,
"second":2117,"university":2118,"both":2119,
"national":2120,"##er":2121,"these":2122,
......

这样就实现了文本转为数字，我们称这个步骤叫序列化。

看上面有些形如##er样式的。这个是Bert的分词机制。它表示这些单词片段还可以再进一步拆分，比如：teacher可以拆分为teach和er。那么，如果模型遇到pythoner(词典不存在这个词，但是有人这么用)，它也能根据python+er的拆分，知道这表示python开发者的意思。

我们的中文在这个基础版的体系下是没法使用的。因为中文汉字有9万多，常用字也有7千字。这里面只有200来个中文字。因此，一段正常的文本在序列化时，找不到归属，都会变成[UNK]。你说啥，它都认为是一样的，根本无法理解。

这可怎么办？那就需要一套中文的词汇表，下载中文预训练模型BERT-Base, Chinese。我们来看看它的vocab.txt。

在这里，中文词汇变成了主战场，大约有上万个中文字符。里面也包含了一些的英文单词，因为中文阅读材料会夹杂少量英文。

好了，这么看，我们得选择BERT-Base, Chinese作为预训练模型。

虽然支持102种语言的BERT-Base, Multilingual也包含全部中文词汇。但它的词汇量是Chinese的5倍，会影响效率。

2.3.3 数据集路径

训练的脚本文件有了，预训练模型定了，下面就开始给他喂数据集。

SQUAD_DIR指定了训练数据集的路径。官方给的train-v1.1.json是斯坦福的问答集[参考3]。但是，我们想训练自己的问答数据。因此，你可以模仿它的格式，组织自己的数据。

他的格式是这样的：

{
  "data": [
    {
      "title": "文章标题",
      "paragraphs": [{
          "context": "文章内容",
          "qas": [
            {
              "answers": [
                {"answer_start": 0,"text": "答案"}
              ],
              "question": "问题","id": "问题id"
            }]}]
    }
  ],
  "version": "1.1"
}

其中answer_start是答案在文中的位置起点。只要我们按照这个格式整理好数据，Bert就能进行训练。

我从ChineseSquad数据集（SQuAD中文版）[参考4]，抽离出了一个地理领域的合集，里面包含：南京、四川、浙江、荷兰、阿尔卑斯山等地理类的阅读文本，形成一个data_geo.json训练集。

我采用的是SQuAD v1.1版本的格式。2.0版本虽然更高级，但是也更麻烦。

到这里就可以训练了。我的训练命令是：

python run_squad.py \
    --vocab_file=chinese/vocab.txt \
    --bert_config_file=chinese/bert_config.json \
    --init_checkpoint=chinese/bert_model.ckpt \
    --do_train=True \
    --train_file=datasets/data_geo.json \
    --train_batch_size=6 \
    --learning_rate=3e-5 \
    --num_train_epochs=40 \
    --max_seq_length=373 \
    --doc_stride=64 \
    --output_dir=tmp/squad_chinese/

命令中的output_dir是训练结果保存的路径。

执行后，控制台有如下打印：

于是，经过6个小时的等待，我就拥有了地理行业的中文理解问答模型。

最终生成的目录结构如下：

|--checkpoint
|--model.ckpt-1946.data-00000-of-00001
|--model.ckpt-1946.index
|--model.ckpt-1946.meta
|--graph.pbtxt
|--train.tf_record

2.4 验证数据集

为了验证效果，我自己新组合了一个data_jinan.json数据集，这里面是关于济南的知识，只有问题，没有答案。

同样，我们也可以运行run_squad.py来做推理，命令如下：

python run_squad.py    \
    --vocab_file=chinese/vocab.txt    \
    --bert_config_file=chinese/bert_config.json    \
    --init_checkpoint=tmp/squad_chinese/model.ckpt-1946    \
    --do_predict=True    \
    --predict_file=datasets/data_jinan.json  \
    --output_dir=tmp

请注意，命令中vocab_file、bert_config_file还是预训练模型的文件。但是init_checkpoint变成了我们刚生成的文件。它是在预训练模型的基础上生成的新模型。

最后，会在tmp文件夹下生成结果文件nbest_predictions.json。

问题：
"context": "济南市的别称有泉城、齐州、泺邑。济南是山东省的省会、副省级市、特大城市、济南都市圈核心城市，属于二线城市，是国务院批复确定的环渤海地区南翼的中心城市。截至2022年，全市下辖10个区、2个县，总面积10244.45平方千米，常住人口941.5万人，城镇人口699.8万人，城镇化率为74.3%。",
"question": "济南的总面积是多少？",
"id": "jn0014"

结果：
{
  "jn0014": [
    {
      "text": "10244.45平方千米",
      "probability": 0.9998867035004451,
      "start_logit": 8.909591674804688,
      "end_logit": 4.485512733459473
    }
  ]
}

上面给大家展示下输出的结构，预测结果以id对应问题。

其实，文章最开头展示的动图，就是这个模型的能力。它给出了很好的回答。

但是，它是一个小模型。我们这个model.ckpt模型目前还不是。

2.5 转化小模型

TensorFlow Lite提供了一个转换器[参考5]。它可以支持由其他格式转化为客户端可用的.tflite格式。

比如通过命令行转换：

tflite_convert \
  --saved_model_dir=/tmp/saved_dir \
  --output_file=/tmp/mobilebert.tflite

这种方式只能做低级转换。不过，通过调用API代码，可以做更高级的转换：

import tensorflow as tf

converter = tf.lite.TFLiteConverter.from_saved_model(saved_dir) 
# todo：可以通过converter做量化处理等操作
tflite_model = converter.convert()

with open('mobilebert.tflite', 'wb') as f:
  f.write(tflite_model)

而这个.tflite文件就是我们需要的小模型。

我们拿到这个小模型之后，可以考虑使用它了。

先去下载手机版的Bert QA安卓项目[参考6]。编译时，gradle会自动下载mobilebert.tflite和qa.json保存到assets文件夹下。现在还是官方示例，运行一下，看看有没有问题。

然后将我们自己生成的小模型cn_mobilebert.tflite拷贝进去。并且按照qa.json的数据格式，自己组一个问题集cn_qa.json放进去。

然后修改代码，加载我们的小模型与问题集：

1、LoadDataSetClient.kt修改JSON_DIR="qa.json"为"cn_qa.json"。
2、BertQaHelper.kt修改BERT_QA_MODEL="mobilebert.tflite"为"cn_mobilebert.tflite"
3、其他界面和提示语调整

运行一下，就是文章开头的效果了。

说实话，其他模型的转换可以通过这个转化器做。但是这次Bert的转换，我费了很大一番周折。主要原因是"mobilebert.tflite"的网络结构与原本的model.ckpt有差异，需要做解剖和重组。这对新手来说很不友好。

但是，幸好还有一个途径，那就是不经过转化，直接生成".tflite"文件。

2.6 生成小模型

TensorFlow Lite还提供了一个Model Maker[参考7]，可以专门针对手机制作问答小模型。

它不但功能强大，而且操作简单。总体上只需要5步。

# 1、选择预训练模型
spec = model_spec.get('mobilebert_qa')

# 2、加载自己的数据集合
train_data = DataLoader.from_squad(train_data_path, spec, is_training=True)
validation_data = DataLoader.from_squad(validation_data_path, spec, is_training=False)

# 3、训练模型
model = question_answer.create(train_data, model_spec=spec)

# 4、评估预测结果
metric = model.evaluate(validation_data)

# 5、导出为TensorFlow Lite格式
model.export(export_dir)

这种生成方式，更加有针对性。

不过提示给大家一个坑，Windows下跑不通，会一直报一个错：

No matching distribution found for scann==1.2.6

因为这个scann库不支持Windows，虚拟机也不行。不过换成Linux系统就可以了。

三、小模型的优劣

小模型可在客户端运行，这一点大大降低了企业的使用成本 。因为一旦模型训练好，如果没有功能变化，那么你不用再去关心和AI开发有关的东西。

另外，同样是因为在客户端运行，客户的数据不会上传到云端进行处理。客户会很有安全感，例如对聊天记录进行分析识别，他们不希望这类敏感内容离开自己的手机。对于保障客户隐私，这又是一个亮点。

我感觉最令人兴奋的，是这种方式降低了企业使用AI的门槛。让相对节俭的企业也能实现AI梦。

当然，你别对小模型有太高的奢望，因为它的能力有限。它会对一些你认为显而易见的问题回答不好。

拿"千佛山是泰山的余脉"举例。你问它千佛山是谁的余脉，它能回答是泰山的。但是你问两者有什么联系，它就尴尬了。

而这类问题，大模型却微微一笑。

梦想和妄想是有区别的。

梦想就是"我是高中生，我能做AI开发吗？"、"我是小企业，我能有自主的AI产品吗？"当然可以！

这些东西五年前就存在了，只是限于信息差，你不知道而已。而我恰巧做过移动开发、AI开发、项目管理，现在整合一下告诉了你。

妄想就不一样了，他会问"你这个小成本模型，能超过ChatGPT 4.0吗？"

这不科学！

四、资料参考

参考1：客户端训练模型

Device Training tensorflow.google.cn/lite/exampl...

参考2：Bert官方

Bert github.com/google-rese...

参考3：斯坦福问答数据集

SQuAD rajpurkar.github.io/SQuAD-explo...

参考4：ChineseSquad数据集

ChineseSquad github.com/pluto-junze...

参考5：转换器

TfLite Convert www.tensorflow.org/lite/conver...

参考6：Bert QA手机版

Bert QA Lite tensorflow.google.cn/lite/exampl...

参考7：小模型制作器

Model Maker www.tensorflow.org/lite/models...