數字人的AB面：在元宇宙中過氣，在AIGC中重生
來源：光錐智能作者：郝 鑫“29800元一年的虛擬主播，號稱24小時不停播，月入十幾萬，實際上卻是關鍵詞都不能回復，播了半個月，直播間還因違規被快手封禁，最終投訴無門、退款無果。&
4 月 18 日消息，科技媒體 WinBuzzer 昨日（4 月 17 日）發布博文，報道稱微軟研究團隊推出了一款開源大型語言模型 BitNet b1.58 2B4T，區別于傳統訓練后量化的方式，這款擁有 20 億參數的大型語言模型（LLM）以 1.58 位低精度架構原生訓練而成。
援引技術報告介紹，該模型性能直追同規模全精度模型，但計算資源需求大幅縮減。尤其令人矚目的是，其非嵌入內存占用僅 0.4GB，遠低于競品 Gemma-3 1B 的 1.4GB 和 MiniCPM 2B 的 4.8GB。
BitNet 的高效秘訣在于其創新架構。模型摒棄傳統 16 位數值，采用定制 BitLinear 層，將權重限制為-1、0、+1 三種狀態，形成三值系統，每權重僅需約 1.58 位信息存儲。
此外，層間激活值以 8 位整數量化，形成 W1.58A8 配置。微軟還調整了 Transformer 架構，引入平方 ReLU 激活函數、標準旋轉位置嵌入（RoPE）以及 subln 歸一化，確保低位訓練穩定性。技術報告稱，這種原生 1 位訓練避免了傳統后訓練量化（PTQ）帶來的性能損失。
BitNet b1.58 2B4T 的開發歷經三階段：首先基于 4 萬億 token 的網絡數據、代碼和合成數學數據集進行預訓練；隨后通過公開及合成指令數據集（如 WizardLM Evol-Instruct）進行監督微調（SFT）；最后采用直接偏好優化（DPO）方法，利用 UltraFeedback 等數據集提升對話能力和安全性。
微軟測試顯示，該模型在 GSM8K（數學）、PIQA（物理常識）等基準測試中表現優異，整體性能媲美主流 1B-2B 參數全精度模型，同時在能耗（每 token 0.028 焦耳）和 CPU 解碼延遲（29 毫秒）上占據顯著優勢。
盡管 BitNet 潛力巨大，但其高效性需依賴微軟提供的專用 C++ 框架 bitnet.cpp 實現。標準工具如 Hugging Face transformers 庫無法展現其速度與能耗優勢。
微軟還計劃優化 GPU 和 NPU 支持，延長上下文窗口至 4096 token，并探索更大規模模型、多語言功能及硬件協同設計。目前，BitNet b1.58 2B4T 已以 MIT 許可證在 Hugging Face 發布，供社區測試與應用。
參考
BitNet b1.58 2B4T Technical Report
hugging face 模型頁面
本文鏈接：http://www.tebozhan.com/showinfo-45-12381-0.html微軟 BitNet b1.58 2B4T 登場：內存占用僅 0.4GB，20 億參數模型顛覆 AI 計算
聲明：本網頁內容旨在傳播知識，若有侵權等問題請及時與本網聯系，我們將在第一時間刪除處理。郵件：2376512515@qq.com
Copyright ? 2016-2023 天津谷騏科技有限公司 版權所有 sitemap.xml
違法及侵權請聯系：2376512515@qq.com 津ICP備18001702號
津公網安備 12010102000574號