SOGO論壇

標題: 4大亮點揭密蘋果AI模型訓練細節獨有架構優化反應速度與準確率 [列印本頁]

作者: lionking0809 時間: 3 天前 標題: 4大亮點揭密蘋果AI模型訓練細節獨有架構優化反應速度與準確率

蘋果在 WWDC25 全球開發者大會後，近期更進一步，公開了一份名為「Apple Intelligence Foundation Language Models – Tech Report 2025」的技術報告。其中深入剖析了這些新模型在訓練、優化與評估過程中的關鍵細節，一揭《Apple Intelligence》背後「大腦」的神秘面紗。

這份技術性雖高但價值非凡的報告，巨細靡遺地闡述了新模型的架構、數據來源、預訓練、後訓練、工具使用開發、性能優化及基準測試等多個層面。其中4大亮點，可一窺蘋果 AI 的尖端技術：

Apple 基礎模型的建模概述。(圖/截取自蘋果智慧基礎語言模型—技術報告 2025)
裝置端模型：在輕巧中實現強大性能

蘋果的裝置端模型（即供開發者使用的那款）擁有約 30 億個參數。然而，這份新報告揭示了其內部巧妙的設計：該模型被分割成兩個區塊。區塊 1 包含了總 Transformer 層的 62.5%，而區塊 2 則包含了剩餘的 37.5% Transformer 層，但值得注意的是，區塊 2 移除了關鍵和數值投影。

這項創新設計帶來了實質性的效能提升。透過這樣的分割，裝置端模型所需的緩存記憶體減少了 37.5%，同時首次輸出詞元（Token）所需的時間也縮短了約 37.5%。儘管進行了分割，蘋果強調其設計方式確保了模型的整體性能和輸出品質不受影響。

這項技術策略的背後，是蘋果長期以來在優化本地 AI 性能上的探索。幾年前，蘋果就曾研究過如何在記憶體受限的設備上，透過在 RAM 和快閃儲存之間按需交換大型語言模型（LLM）部分內容，來運行比設備記憶體容量更大的模型。雖然最終的解決方案有所不同，但這充分展現了蘋果致力於在輕量級設備上提供高性能 AI 的決心。

雲端模型：為「私有雲計算」量身打造的精妙架構

對於其伺服器端模型，蘋果為其「私有雲計算」（Private Cloud Compute）平台量身打造了一種獨特的自訂架構，名為「平行軌道專家混合模型」（Parallel-Track Mixture-of-Experts, PT-MoE）。

簡而言之，「專家混合模型」（MoE）是種突破性的 AI 模型設計。它不再依賴一個龐大、單一的模型來處理所有任務，而是將其分解為多個較小的子網路，或稱之為「專家」。這些「專家」只會在處理與其專長相關的任務時才被激活。舉例來說，如果您的提示與烹飪相關，那麼只有負責烹飪領域的專家會被喚醒並參與計算，而其他專家則保持休眠狀態。這種模組化設計使得整體模型雖然依然龐大，但其響應速度更快，且往往更為精準，避免了所有提示都必須通過一個龐大統一模型而導致的效率低下。

蘋果在此基礎上，進一步創新，構建了一種新型的 Transformer，命名為「平行軌道 Transformer」，並透過 MoE 層進行擴展。傳統的 Transformer 模型通常透過單一堆疊的層次逐一處理詞元。然而，蘋果的設計打破了這種單軌處理模式，將模型分解為多個平行軌道。每個軌道都能獨立處理詞元，僅在特定節點進行同步。

更為精妙的是，在每個平行軌道內部，蘋果用 MoE 層取代了部分常規 Transformer層。這意味著每個詞元只需激活少數幾個專家，而其餘專家則保持閒置。由於每個軌道都擁有其專屬的局部專家，模型有效避免了傳統設計中，所有計算必須跨越整個系統協調而造成的處理瓶頸。

此外，蘋果還加入了一種巧妙的設計，旨在平衡局部上下文理解與全局宏觀視野，稱之為「交錯全局與局部注意力層」（Interleaving Global and Local Attention Layers）。最終，這一切技術的結合，成就了一個高度模組化、高效且可擴展的 AI 模型，它不僅運行速度更快、資源消耗更少，同時也保持了卓越的智能水平。

多語言能力飛躍：全球用戶體驗的基石

《Apple Intelligence》初期發布時，對英語之外語言支援的局限性曾是其廣受批評的焦點。為此，蘋果在其新模型中大幅提升了多語言支援能力。

報告顯示，蘋果在訓練過程中將多語言數據的使用量從 8% 大幅提升至 30%。這些數據來源包括自然產生的內容和透過生成技術創造的合成內容。同時，蘋果還將其分詞器（Tokeniser）的詞彙庫容量擴大了50%，使其模型現在能夠識別15萬個不同的詞元，相較於之前的10萬個有了顯著增長。

蘋果表示，這些改進使得其模型在非英語基準測試中取得了「顯著進步」，尤其是在強化學習微調之後。值得注意的是，報告中強調，評估是透過母語使用者編寫的提示進行的（而非簡單翻譯），並同時測試了模型在當地語境中的準確性和回應的自然度。這意味著未來像「寫作工具」（Writing Tools）這樣的功能，在其他受支援語言中的表現將會更加可靠和地道。

數據來源解析：多元化、高質量與隱私保護

一如其首批模型，蘋果新模型的訓練數據主要來自網絡爬取。但蘋果明確指出，其 Applebot 爬蟲會嚴格遵守 robots.txt 排除規則，這表示如果網站經營者不希望蘋果抓取其內容，可以透過設定告知，Applebot 便會停止抓取。

以下是蘋果新模型數據來源的詳細構成：

公開可用網絡數據：

儘管蘋果未具體量化比例，但確認其訓練數據的最大部分來自 Applebot 爬取的網頁內容。為了確保數據品質，蘋果應用了多層過濾機制，篩除低品質、不安全或不相關的內容，包括垃圾郵件頁面、淺薄或模板化的文本以及格式錯誤的內容。
授權數據：

蘋果在報告中僅簡要提及部分訓練數據是從出版商處獲得授權。早前業界報導曾指出，蘋果正與 Condé Nast（旗下擁有《紐約客》、《時尚》、《連線》等）、NBC 新聞以及 IAC（旗下擁有《人物》、《每日野獸》和《美好家園與花園》等）進行內容授權談判，因此這些資料很可能已納入其訓練集。
合成數據：

蘋果透過較小型模型和自訂管線來生成合成數據，這類數據尤其用於數學、程式碼、指令微調以及視覺語言任務。雖然報告未明確合成數據在總數據集中的佔比，但強調其在微調、強化學習和提升多語言支援等關鍵訓練步驟中扮演了重要角色。
值得澄清的是，合成數據並非「憑空捏造」或「虛構內容」，而是透過演算法從現有數據中學習並生成具備特定屬性、結構的全新數據，對於彌補數據不足、增強模型穩健性至關重要。
視覺數據：

為了提升圖像理解能力，蘋果收集了超過 100 億對圖像-標題組合，其中包括透過光學字符識別（OCR）從螢幕截圖中提取的文字，以及手寫筆記。
此外，蘋果還利用自身的模型生成了額外且更為豐富的圖像標題。過去有報導稱蘋果曾與 Shutterstock 進行圖像內容授權談判，因此部分授權圖像素材也可能已用於此目的。

歡迎光臨 SOGO論壇 (https://oursogo.com/)