帶動MoE再次成爲開源社區最火議題
但隨着我們繼續提問，Mixtral的回答一不小心暴露了自己可能專門針對LeetCode做過訓練，而且還是中文版LC。
爲了更加真實地展示Mixtral的代碼能力，我們轉而讓它編寫實用程序——用JS寫一個Web版計算器。
經過幾輪調整之後，雖然按鈕的佈局有些奇怪，但基本的四則運算已經可以完成了。
此外我們會發現，如果在同一個對話窗口中不斷補充新的要求，Mixtral的表現可能會有所下降，出現代碼格式混亂等問題，開啓新一輪對話後則會恢復正常。
除了API和在線版本，Mistral AI還提供了模型下載服務，可以用上的磁力鏈接或通過Hugging Face下載之後在本地部署。
在上，已經有不少網友在自己的設備上跑起了Mixtral，還給出了性能數據。
在128GB內存的蘋果M3 Max設備上，使用16位浮點精度運行Mixtral時消耗了87GB顯存，每秒可以跑13個token。
同時也有網友在M2 Ultra上通過llama.cpp跑出了每秒52token的速度。
看到這裏，你會給Mistral AI的模型實力打幾分？
不少網友是已經興奮起來了：
“OpenAI沒有護城河”，看起來肯定會成爲現實……
要知道，Mistral AI今年5月纔剛剛成立。
短短半年，已是一手20億美元估值，一手驚豔整個AI社區的模型。
更關鍵的是，普林斯頓博士生Tianle Cai分析了Mistral-7B與Mixtral-8x7B模型的權重相關性做了分析，證明了模型的成功複用。
隨後網友發現，Mistral AI創始人也親自證實，MoE模型確實就是把7B基礎模型複製8次，再進一步訓練來的。
隨着此類模型的免費商用，整個開源社區、新的創業公司都可以在此基礎之上推動MoE大模型的發展，就像Llama已然帶動的風暴那樣。
作爲吃瓜羣衆，只能說：
參考鏈接：
[1]https://mistral.ai/news/mixtral-of-experts/
[2]https://mistral.ai/news/la-plateforme/
[3]https://huggingface.co/blog/mixtral#about-the-name
如若转载，请注明出处：https://www.tuio.cc/1609.html
