类ChatGPT开源厂商Together，获1.4亿元融资
5月16日，大语言模型开源厂商Together宣布获得2000万美元（约1.4亿元）种子轮融资，本次由Lux Capital 领投，Factory、SV Angel、First Round Capital、PayPal联合创始人Scott Banister 等跟投。
Together是一家「AIGC开放社区」报道过的类ChatGPT开源厂商，其产品RedPajama-INCITE具备与ChatGPT一样的问答功能。但在几乎同等的性能上算力消耗更低，普通笔记本就能跑30亿参数模型，甚至5年前发布的RTX 2070显卡也没问题。
目前，市面上类ChatGPT开源平台多如牛毛，几乎每天都有新品推出，例如，Alpaca、Guanaco、LuoTuo、Vicuna、Koala等。为何Together能获得巨额种子轮融资？这是因为Together手握两张王牌。
第一，其开源平台可以商业化，目前市面上多数开源平台都是基于LLaMA开发而成，LLaMA明文规定只能用于学术研究不允许商业化。
第二，Together曾开源1.2万亿token训练数据集（约5T），这在开源界非常罕见。也就是说中小型企业、个人开发者可以无需大规模数据训练就能直接使用其开源产品，进一步扩大了商业化落地空间。
RedPajama-INCITE开源产品介绍
RedPajama-INCITE（以下简称RedPajama）是在5月5日才开源的类ChatGPT产品，主要提供30亿、70亿两种参数，特点是功能强大算力消耗低，可在笔记本、普通显卡运行，适用于中小企业和个人开发者。
30亿参数：主要包括基础款、聊天款和指令调优三个版本。在8000亿token数据集上进行训练，在HELM和Eleuther的测试中比同类的GPT-Neo、Pythia-2.8B更优秀。自动生成的文本丝滑流畅，可以加入拟人化情感。
30亿参数开源地址：https://huggingface.co/togethercomputer/RedPajama-INCITE-Base-3B-v1
70亿参数：也是在8000亿token数据集上进行训练，RedPajama希望扩大至1万亿。主要包括基础款、聊天款和指令调优三个版本。其中，指令调优版本的测试结果非常棒，甚至高于LLama-7B版本。
70亿参数开源地址：https://huggingface.co/togethercomputer/RedPajama-INCITE-Chat-7B-v0.1
RedPajama曾开源1.2万亿token训练数据集
今年4月17日，RedPajama曾宣布开源1.2万亿token数据集，帮助开发者训练类ChatGPT大语言模型。（开源地址：https://huggingface.co/datasets/togethercomputer/RedPajama-Data-1T）
RedPajama完美复制了LLaMA模型上的1.2万亿训练数据集，按照其论文的数据模式从维基百科、GitHub、普通抓取、C4、图书、ArXiv、Stack Exchange抓取了1.2万亿训练数据，并进行了数据优化、过滤。
其中，普通抓取渠道获取了8780亿数据，并通过多个质量过滤器进行过滤，包括选择类似维基百科页面的线性分类器。C4获取1750亿，基于标准 C4 数据集。GitHub获取590亿，按许可证和质量过滤；图书获取260亿，包括开放书籍的语料库，并根据内容相似性进行去重。
ArXiv获取280亿，去除了样板文件的科学文章。维基百科获取240亿，基于子集数据删除了样板内容。StackExchange获取200亿，基于子集数据删除了样板内容。目前，Together正在打造RedPajama V2，这是一个包含2万亿token的训练数据集。
Together表示，非常感谢蒙特利尔大学的AAI CERC实验室，斯坦福基础模型研究中心，Ontocord.ai，Meta AI，EleutherAI，OLCF等学术机构和开源社区的鼎力支持。如果没有他们贡献核心训练代码、架构、数据，根本不可能推出RedPajama。