Fox-1是TensorOpera推出的一系列小型语言模型（SLMs），包括Fox-1-1.6B和Fox-1-1.6B-Instruct-v0.1。Fox-1模型在3万亿个网络抓取的文档数据上预训练，在50亿个指令遵循和多轮对话数据上微调。Fox-1采用3阶段数据课程和深度架构设计，具有256K的扩展词汇量和GQA机制，提高了效率和性能。Fox-1模型在包括ARC Challenge、HellaSwag、MMLU、GSM8k等在内的多个标准语言模型基准测试中展现出卓越的性能，超越参数规模是其两倍的模型。
Fox-1的主要功能文本生成与理解：Fox-1能处理和生成各种文本任务，如文本摘要、翻译、问答等。指令遵循：Fox-1-1.6B-Instruct-v0.1特别针对指令遵循任务进行微调，能理解和执行用户的直接指令。多轮对话：模型在多轮对话数据上进行微调，能在对话系统中使用，提供连贯和相关的回应。长上下文处理：采用Rotary Positional Embeddings (RoPE) 和3阶段数据课程，Fox-1能有效处理长达8K的序列，适合处理长文档和长篇文本。高效率推理：Fox-1在保持较小模型规模的同时，实现与更大模型相当的推理速度和吞吐量。Fox-1的技术原理3阶段数据课程：Fox-1的预训练包括新颖的3阶段数据课程，逐步增加训练样本的块长度从2K到8K，优化长上下文处理能力。深度架构设计：Fox-1采用32层自注意力层的深度架构，相比其他模型更深，增强了模型的推理能力。分组查询注意力（GQA）：将查询头分组，每个组共享相同的键值头，提高训练和推理速度，减少内存使用。共享输入输出嵌入：Fox-1共享输入和输出嵌入层，减少模型参数数量，提高权重利用率。扩展词汇量：模型用256K的词汇量，相比标准词汇量，能更有效地编码信息，减少未知词的概率，提高下游任务性能。预归一化：Fox-1用RMSNorm进行预归一化，有助于提高训练效率。RoPE位置编码：Fox-1采用RoPE，有助于编码 token 之间的相对位置依赖。Fox-1的项目地址项目官网：tensoropera-unveils-foxHuggingFace模型库：https://huggingface.co/tensoropera/Fox-1-1.6Bhttps://huggingface.co/tensoropera/Fox-1-1.6B-Instruct-v0.1arXiv技术论文：https://arxiv.org/pdf/2411.05281Fox-1的应用场景聊天机器人和客户服务：构建聊天机器人，提供客户咨询服务，处理多轮对话，解答用户问题。内容创作和编辑：在内容产业中，帮助生成创意文案、编辑和润色文章，及提供写作建议。语言翻译：应用于机器翻译领域，帮助用户进行语言间的翻译工作。教育和学习：在教育领域，作为教学辅助工具，提供语言学习支持，包括语法检查、写作辅导等。信息检索和问答系统：集成到搜索引擎和问答系统中，提供快速准确的信息检索和答案生成。 
