人工智能领域的每一次技术革新都可能引领一场行业的变革，特别是在自然语言处理（NLP）领域，多模态语言模型（MLMs）正逐渐成为推动智能系统发展的核心力量。Reka团队最新推出的Reka Core、Flash和Edge系列模型，正是这样一场技术革新的代表。这些模型以其卓越的性能和独特的优势，在多模态理解和推理任务中展现出了前所未有的潜力。Reka系列模型的主要特点如下：

多模态处理能力：Reka系列模型能够同时处理和推理文本、图像、视频和音频输入，这种跨模态的理解能力为复杂场景下的信息处理提供了强大的支持。

高效的计算性能：Reka Edge和Flash模型以其相对较小的规模，在计算效率上展现出了超越更大规模模型的能力，这在资源有限的实际应用中尤为宝贵。

前沿的技术水平：Reka Core模型在技术前沿性上与业界顶尖模型相媲美，其在多模态聊天和图像问答等任务上的评估结果令人瞩目。

Reka系列模型的多模态特性和高效性能，使其在智能客服、内容分析、教育辅助等多个领域都有着广泛的应用前景。Reka团队将对模型的持续优化和改进，保证了Reka系列模型能够不断适应新的挑战和需求，保持技术领先。

模型

Reka模型的训练数据是一个综合体，包括了公开可用的和专有/授权的数据集，这些数据集的知识截止日期是2023年11月。模型训练所用的数据类型包括文本、图像、视频和音频片段。Reka Flash和Reka Edge分别在大约5万亿和4.5万亿经过彻底去重和筛选的语言标记上进行训练。这些数据的分类并不局限于单一类别，其中大约25%与代码相关，30%与STEM（科学、技术、工程和数学）相关，25%来自网络爬虫，还有大约10%与数学相关。数据的混合比例通常遵循优先考虑独特标记的原则，并通过有限数量的小规模消融研究进行手工调整。

Reka Core、Flash和Edge模型采用了模块化的编码器-解码器架构，这种架构支持多模态输入，包括图像、文本、视频和音频。目前，模型的输出仅限于文本。模型的Transformer骨干网络基于“Noam”架构，使用了SwiGLU、Grouped Query Attention、Rotary positional embeddings和RMSNorm等技术。Reka Flash和Edge使用的词汇表基于tiktoken的100K sentencepiece。模型还增加了哨兵标记用于掩码跨度，以及用于工具使用等特殊用例的其他特殊情况。

模块化的编码器-解码器架构

Reka模型采用了一种模块化的Transformer架构，这种架构是当前自然语言处理和机器学习领域的前沿技术。它由编码器和解码器两部分组成：

• 编码器（Encoder）：负责读取输入数据，如文本、图像、视频和音频，并将其转换成一系列高维向量表示。对于不同类型的输入数据，模型使用专门的处理方式：

  • 图像输入通过视觉模型（如CNN）提取特征。

  • 文本输入通过Tokenizer转换为一系列的标记，然后通过Transformer层进行处理。

  • 视频输入则由一系列图像帧组成，每个帧单独提取特征后进行处理。

  • 音频输入通过声学模型提取特征。

• 解码器（Decoder）：基于编码器的输出生成文本输出。它能够根据输入的上下文信息生成回答或描述。

多模态输入支持

Reka模型的一个显著特点是其对多模态输入的支持。这意味着模型能够同时处理和理解不同类型的数据，包括：

• 图像（Image）：模型能够理解图像内容，并结合图像信息回答问题。

• 文本（Text）：模型能够处理和生成文本信息。

• 视频（Video）：模型能够解析视频内容，理解视频中的事件和动作。

• 音频（Audio）：模型能够分析音频信号，提取相关信息。

功能调用与输出

Reka模型的文本输出不仅限于生成回答，还能够调用特定的功能，例如：

• 网络搜索（Web Search）：模型可以根据需要调用网络搜索功能，获取额外的信息来辅助回答。

• 代码执行（Code Execution）：模型还能够执行代码，解决编程相关问题或生成代码片段。

这些功能使得Reka模型在处理复杂问题时更加灵活和强大，能够提供更加丰富和准确的回答。

架构的创新之处

Reka模型的架构设计体现了以下几个创新点：

• 多模态融合：模型能够将不同模态的信息融合在一起，提供更全面的理解。

• 功能调用：模型的输出不仅限于文本，还能够调用外部功能，增强了模型的交互性和实用性。

• 模块化设计：模块化的设计使得模型更加灵活，便于根据不同任务调整和优化各个组件。

Reka系列模型主要在Nvidia H100s GPU上使用Pytorch框架进行训练。训练集群由多个供应商提供，峰值计算能力达到约2.5K H100s和2.5K A100s。超过90%的计算能力在2023年12月中旬上线。Reka Flash和Edge在数百个H100s上进行了为期数周的训练。尽管学习率非常激进，但预训练过程相对平稳，几乎没有损失峰值。

模型预训练后的后训练过程包括模型的指令调整和对齐。模型在预训练后会进行多轮的指令调整，使用强正则化。对于指令调整数据，训练使用了包括专有和公开可用数据集的混合。之后，模型会通过使用同一家族的Reka模型作为奖励模型，进行几轮的RLHF（Reinforcement Learning from Human Feedback）调整。后训练过程还考虑了工具使用、函数调用和网络搜索等因素。

评估

基础模型评估主要关注模型在语言理解和多模态任务上的表现。Reka团队在以下几个方面进行了评估：

语言模型评估：在MMLU（多语言理解和问题回答）、GSM8K（推理和算术）、HumanEval（代码生成）和GPQA（高级问题回答）等基准测试中，Reka模型与其他模型进行了比较。评估采用了不同的提示方式，如5-shot直接提示和8-shot思维链提示。

多模态（图像/视频）评估：Reka模型在视觉问题回答数据集MMMU、VQAv2和Perception-Test上的表现也进行了比较。所有Reka模型的结果都是0-shot评估，即没有经过特定任务的微调。

聊天模型评估通过第三方数据提供商的人类评估员进行盲评估，包括多模态聊天和文本聊天两种设置：

多模态聊天评估：评估中，用户可以就图像提出问题，评估员根据提供的指导方针对不同模型生成的答案进行评分。Reka Core在这一评估中排名第二，仅次于GPT-4V，优于其他模型如Claude 3 Opus。

文本聊天评估：在文本聊天评估中，Reka Core在ELO排行榜上表现出色，超过了Claude 3 Sonnet和GPT-4，仅次于GPT-4 Turbo和Claude 3 Opus。

跨语言评估在多语言常识、因果推理、问题回答等任务上进行了实验，使用了XStoryCloze、XCOPA、XQuAD、TydiQA和Belebele等多语言基准测试。Reka Core在大多数任务上都优于或至少与GPT-3.5和GPT-4相当。

长文本上下文问题回答评估使用了内部基准测试，包括电影情节和ToS（服务条款）合同，上下文长度约为100K标记。Reka Core和Flash在这些任务上的表现与Claude 3系列模型相当。

Reka模型在医学推理任务上与专门的医学模型Meditron和Med-PaLM-2以及GPT-4进行了比较。在MedMCQA、PubMedQA和MMLU（医学）基准测试中，Reka Core在某些任务上超过了专门的医学模型，表现出与最前沿模型相当的竞争力。

Reka Edge和Flash与其他相似计算类别的模型进行了详细比较。Reka Edge在多个基准测试中超过了其他7B模型，而Reka Flash尽管规模较小，但在大多数基准测试中也展现出了与更大模型相当的竞争力。

通过这些综合评估，Reka团队展示了Reka Core、Flash和Edge模型在各种任务上的强大性能和广泛的应用潜力。这些评估结果不仅证明了Reka模型在技术上的先进性，也为未来的研究和应用提供了宝贵的参考。随着Reka系列模型的进一步发展和应用，我们期待它们将在人工智能领域带来更多令人兴奋的可能性和创新。

论文链接：https://arxiv.org/abs/2404.12387

项目地址：https://showcase.reka.ai/