Bamba-9B是IBM、普林斯顿大学、卡内基梅隆大学和伊利诺伊大学香槟分校联合推出的，基于Mamba2架构的仅解码语言模型模型。模型在完全开放的数据集上训练，能提高大型语言模型的推理效率，特别是在处理长文本时的内存带宽瓶颈。Bamba-9B在推理时相较于标准变换器模型展现出2.5倍的吞吐量提升和2倍的延迟加速。模型训练使用2.2万亿个token，进一步验证新兴架构的潜力，在保持与最先进的变换器模型竞争的同时，提供更高的推理效率。
Bamba-9B的主要功能提高推理效率：Bamba-9B设计的主要目标是提高大型语言模型在推理时的效率，特别是在处理长文本时的内存带宽瓶颈。吞吐量和延迟优化：相比于标准变换器模型，Bamba-9B在推理时展示2.5倍的吞吐量提升和2倍的延迟加速。开放数据集训练：Bamba-9B完全在开放数据集上训练，有助于社区进行透明度和可复制性的实验。多平台支持：Bamba-9B支持在多个开源平台使用，如transformers、vLLM、TRL和llama.cpp。Bamba-9B的技术原理混合Mamba2架构：基于Mamba2架构，一种新兴的架构，使KV-cache大小恒定消除内存带宽瓶颈。恒定KV-cache：KV-cache所需的内存量随上下文长度增加而增加，而Mamba2架构保持KV-cache大小不变解决这一问题。两阶段训练方法：采用两阶段训练方法，第一阶段用Dolma v1.7数据集进行训练，第二阶段用Fineweb-edu和Cosmopedia等高质量数据集进行额外训练。数据加载器：推出一个分布式状态无关的数据加载器，支持大规模分布式训练，并与Torch Titan集成。量化技术：支持模型量化，基于llm-compressor将模型量化到fp8，减少模型大小提高推理速度，同时保持准确性。上下文长度扩展：Bamba-9B正在探索长上下文长度扩展的方法，如将LongRope应用于全注意力层，处理更长的上下文。Bamba-9B的项目地址GitHub仓库：https://github.com/foundation-model-stack/bambaHuggingFace模型库：https://huggingface.co/collections/ibm-fms/bambaBamba-9B的应用场景机器翻译：实现即时的语言翻译服务，帮助用户跨越语言障碍，理解或交流不同语言的内容。智能客服：作为聊天机器人的底层技术，提供快速且自然的对话回复，提升客户服务体验。内容推荐：在内容平台，根据用户的历史行为和偏好，生成个性化的内容推荐列表。自动摘要：读取长篇文章或报告，自动提炼关键信息，生成简短摘要，节省用户阅读时间。社交媒体监控：分析社交媒体上的大量帖子和评论，帮助品牌监控公众形象和市场动态。 
