❤️ 如果你也关注 AI 的发展现状，且对 AI 应用开发感兴趣，我会每日分享大模型与 AI 领域的开源项目和应用，提供运行实例和实用教程，帮助你快速上手AI技术！

🥦 AI 在线答疑 -> 智能检索历史文章和开源项目 -> 丰富的 AI 工具库 -> 每日更新 -> 尽在微信公众号 -> 搜一搜：蚝油菜花 🥦

💥 "开发者集体沸腾！AMD祭出开源核弹：30亿参数模型免费商用"

大家好，我是蚝油菜花。当同行还在为千亿参数内卷时，AMD用开源重写了大模型游戏规则！

你是否经历过这些窒息时刻：

• 🤑 训练大模型烧掉80%预算在GPU适配调优上
• 🔒 商用模型API调用费比程序员咖啡钱还贵
• 🤯 调教模型就像教外星人说方言——指令总对不上频段

今天揭秘的 Instella 语言模型，正在掀起开源革命！这个完全基于AMD MI300X显卡训练的开源神器，用三大王炸横扫行业痛点：

• ✅ 硬核训练架构：FlashAttention-2+混合精度，同参数规模训练速度快1.8倍
• ✅ 零套路开源：权重/数据集/训练代码全开放，商用无需跪求授权
• ✅ 对话炼金术：DPO优化让模型秒懂"把代码改成赛博朋克风"这种骚操作

已有团队用它48小时训出行业专属客服AI，文末附保姆级微调教程——你的显卡准备好迎接开源狂欢了吗？

🚀 快速阅读

Instella是AMD推出的30亿参数开源语言模型，基于自回归Transformer架构。

1. 核心功能：支持自然语言理解、指令跟随、多轮对话和问题解决。
2. 技术原理：采用Transformer架构，结合FlashAttention-2和bfloat16混合精度训练，优化内存使用和计算效率。

Instella 是什么

Instella是AMD推出的系列30亿参数的开源语言模型。模型完全从零开始在AMD Instinct™ MI300X GPU上训练而成，基于自回归Transformer架构，包含36个解码器层和32个注意力头，支持最长4096个标记的序列。Instella经过多阶段训练，包括大规模预训练、监督微调和偏好优化，提升自然语言理解、指令跟随和对话能力。

Instella在多个基准测试中超越现有的开源模型，与最先进的开源权重模型具有竞争力。AMD完全开源Instella的模型权重、训练配置、数据集和代码，促进AI社区的合作与创新。

Instella 的主要功能

• 自然语言理解：理解复杂的自然语言文本，处理各种语言任务，如问答、文本生成和语义分析。
• 指令跟随：基于监督微调（SFT）和直接偏好优化（DPO），准确理解和执行用户指令，生成符合人类偏好的回答。
• 多轮对话能力：支持多轮交互，根据上下文进行连贯的对话。
• 问题解决能力：在数学问题、逻辑推理和知识问答等任务上表现出色。
• 多领域适应性：基于多样化的训练数据，适应多种领域，如学术、编程、数学和日常对话等。

Instella 的技术原理

• Transformer架构：基于自回归Transformer架构，包含36个解码器层，每层有32个注意力头，支持最长4096个标记的序列长度。
• 高效训练技术：FlashAttention-2、Torch Compile和bfloat16混合精度训练，优化内存使用和计算效率。
• 多阶段训练：用4.065万亿标记进行大规模预训练，建立基础语言理解能力。在第一阶段基础上进一步训练，使用额外的575.75亿标记，增强特定任务能力。
• 监督微调（SFT）：用高质量的指令-响应对数据进行微调，提升指令跟随能力。
• 直接偏好优化（DPO）：基于人类偏好数据对模型进行优化，让输出更符合人类价值观。
• 分布式训练：基于完全分片数据并行（FSDP）技术，将模型参数、梯度和优化器状态在节点内分片，在节点间复制，实现大规模集群训练。
• 数据集：基于多样化的高质量数据集进行训练，包括学术、编程、数学和对话数据，及合成数据集，确保模型具备广泛的知识和能力。

如何运行 Instella

1. 安装

首先根据操作系统安装 PyTorch。对于AMD GPU，可以从 rocm/pytorch docker 开始。

从源码安装（推荐用于训练/微调）：

git clone https://github.com/AMD-AIG-AIMA/Instella.git
cd Instella
# 在MI300X上安装Flash-Attention
GPU_ARCH=gfx942 MAX_JOBS=$(nproc) pip install git+https://github.com/Dao-AILab/flash-attention.git -v
# 安装其他依赖
pip install -e .[all]

2. 示例用法

from transformers import AutoModelForCausalLM, AutoTokenizer
checkpoint = "amd/Instella-3B-Instruct"

tokenizer = AutoTokenizer.from_pretrained(checkpoint, trust_remote_code=True)
model = AutoModelForCausalLM.from_pretrained(checkpoint, device_map="auto", trust_remote_code=True)

prompt = [{
   "role": "user", "content": "What are the benefits of open-source AI research?"}]
inputs = tokenizer.apply_chat_template(
    prompt,
    add_generation_prompt=True,
    return_tensors='pt'
)

tokens = model.generate(
    inputs.to(model.device),
    max_new_tokens=1024,
    temperature=0.8,
    do_sample=True
)

print(tokenizer.decode(tokens[0], skip_special_tokens=False))

3. 使用TRL进行聊天

你也可以使用TRL CLI从终端与模型聊天：

pip install trl
trl chat --model_name_or_path amd/Instella-3B-Instruct --trust_remote_code --max_new_tokens 1024

资源

• GitHub 仓库：https://github.com/AMD-AIG-AIMA/Instella

❤️ 如果你也关注 AI 的发展现状，且对 AI 应用开发感兴趣，我会每日分享大模型与 AI 领域的开源项目和应用，提供运行实例和实用教程，帮助你快速上手AI技术！

🥦 AI 在线答疑 -> 智能检索历史文章和开源项目 -> 丰富的 AI 工具库 -> 每日更新 -> 尽在微信公众号 -> 搜一搜：蚝油菜花 🥦