Prompt-Engineering-Guide/pages/models/mixtral.de.mdx

# Mixtral

import { Cards, Card } from 'nextra-theme-docs';
import { TerminalIcon } from 'components/icons';
import { CodeIcon } from 'components/icons';
import { Callout, FileTree } from 'nextra-theme-docs';
import { Screenshot } from 'components/screenshot';
import mixtralexperts from '../../img/mixtral/mixtral-of-experts-layers.png';
import mixtral1 from '../../img/mixtral/mixtral-benchmarks-1.png';
import mixtral2 from '../../img/mixtral/mixtral-benchmarks-2.png';
import mixtral3 from '../../img/mixtral/mixtral-benchmarks-3.png';
import mixtral4 from '../../img/mixtral/mixtral-benchmarks-4.png';
import mixtral5 from '../../img/mixtral/mixtral-benchmarks-5.png';
import mixtral6 from '../../img/mixtral/mixtral-benchmarks-6.png';
import mixtral7 from '../../img/mixtral/mixtral-benchmarks-7.png';
import mixtralchat from '../../img/mixtral/mixtral-chatbot-arena.png';

In diesem Leitfaden bieten wir einen Überblick über das Mixtral 8x7B-Modell, einschließlich Prompts und Verwendungsbeispielen. Der Leitfaden umfasst auch Tipps, Anwendungen, Einschränkungen, wissenschaftliche Arbeiten und zusätzliche Lektürematerialien bezüglich Mixtral 8x7B.

## Einführung in Mixtral (Mixtral of Experts)

Mixtral 8x7B ist ein Sparse Mixture of Experts (SMoE) Sprachmodell, [veröffentlicht von Mistral AI](https://mistral.ai/news/mixtral-of-experts/). Mixtral hat eine ähnliche Architektur wie [Mistral 7B](https://www.promptingguide.ai/models/mistral-7b), der Hauptunterschied besteht jedoch darin, dass jede Schicht in Mixtral 8x7B aus 8 Feedforward-Blöcken (d.h. Experten) besteht. Mixtral ist ein Decoder-only-Modell, bei dem für jedes Token, in jeder Schicht, ein Router-Netzwerk zwei Experten (d.h. 2 Gruppen aus 8 unterschiedlichen Gruppen von Parametern) auswählt, um das Token zu verarbeiten und deren Ausgaben additiv zu kombinieren. Anders ausgedrückt, der Ausgang des gesamten MoE-Moduls für einen gegebenen Eingabewert wird durch die gewichtete Summe der Ausgaben erzeugt, die von den Expertennetzwerken produziert werden.

<Screenshot src={mixtralexperts} alt="Mixtral of Experts Layer" />

Da Mixtral ein SMoE ist, verfügt es über insgesamt 47B Parameter, verwendet jedoch nur 13B pro Token während der Inferenz. Die Vorteile dieses Ansatzes umfassen eine bessere Kontrolle über Kosten und Latenz, da es nur einen Bruchteil der gesamten Parametermenge pro Token verwendet. Mixtral wurde mit offenen Webdaten und einer Kontextgröße von 32 Tokens trainiert. Berichten zufolge übertrifft Mixtral Llama 2 80B mit 6x schnellerer Inferenz und erreicht oder übertrifft [GPT-3.5](https://www.promptingguide.ai/models/chatgpt) in mehreren Benchmarks.

Die Mixtral-Modelle sind [unter Apache 2.0 lizenziert](https://github.com/mistralai/mistral-src#Apache-2.0-1-ov-file).

## Leistung und Fähigkeiten von Mixtral

Mixtral demonstriert starke Fähigkeiten in mathematischen Schlussfolgerungen, der Codegenerierung und bei mehrsprachigen Aufgaben. Es kann Sprachen wie Englisch, Französisch, Italienisch, Deutsch und Spanisch verarbeiten. Mistral AI hat ebenfalls ein Mixtral 8x7B Instruct-Modell veröffentlicht, das GPT-3.5 Turbo, Claude-2.1, Gemini Pro und Llama 2 70B Modelle in menschlichen Benchmarks übertrifft.

Die folgende Abbildung zeigt den Leistungsvergleich mit verschiedenen Größen von Llama 2-Modellen in einem breiteren Bereich von Fähigkeiten und Benchmarks. Mixtral erreicht oder übertrifft Llama 2 70B und zeigt überlegene Leistung in Mathematik und Codegenerierung.

<Screenshot
  src={mixtral1}
  alt="Mixtral Leistung vs. Llama 2 Leistung"
/>

Wie in der folgenden Abbildung zu sehen ist, übertrifft oder erreicht Mixtral 8x7B auch Llama 2-Modelle in verschiedenen beliebten Benchmarks wie MMLU und GSM8K. Es erreicht diese Ergebnisse, während es 5x weniger aktive Parameter während der Inferenz verwendet.

<Screenshot
  src={mixtral2}
  alt="Mixtral Leistung vs. Llama 2 Leistung"
/>

Die folgende Abbildung zeigt den Trade-off zwischen Qualität und Inferenzbudget. Mixtral übertrifft Llama 2 70B in mehreren Benchmarks, während es 5x weniger aktive Parameter verwendet.

<Screenshot
  src={mixtral3}
  alt="Mixtral Leistung vs. Llama 2 Leistung"
/>

Mixtral erreicht oder übertrifft Modelle wie Llama 2 70B und GPT-3.5, wie in der untenstehenden Tabelle gezeigt:

<Screenshot
  src={mixtral4}
  alt="Mixtral Leistung vs. Llama 2 Leistung"
/>

Die untenstehende Tabelle zeigt die Fähigkeiten von Mixtral zum mehrsprachigen Verständnis und wie es mit Llama 2 70B für Sprachen wie Deutsch und Französisch verglichen wird.

<Screenshot
  src={mixtral5}
  alt="Mixtral Leistung vs. Llama 2 Leistung"
/>

Mixtral zeigt weniger Verzerrung im Bias Benchmark für QA (BBQ) im Vergleich zu Llama 2 (56,0 % vs. 51,5 %).

<Screenshot
  src={mixtral7}
  alt="Mixtral Leistung vs. Llama 2 Leistung"
/>

## Langstrecken-Informationsabruf mit Mixtral

Mixtral zeigt auch starke Leistung bei der Informationsbeschaffung aus seinem Kontextfenster von 32k Tokens, unabhängig von der Informationslage und der Sequenzlänge.

Um die Fähigkeit von Mixtral im Umgang mit langem Kontext zu messen, wurde es in der Passkey-Retrieval-Aufgabe bewertet. Die Passkey-Aufgabe beinhaltet das zufällige Einfügen eines Passkeys in ein langes Prompt und misst, wie effektiv ein Modell darin ist, diesen zu extrahieren. Mixtral erreicht bei dieser Aufgabe unabhängig von der Lage des Passkeys und der Eingabesequenzlänge eine 100%ige Wiederfindungsrate.

Zudem verringert sich die Perplexität des Modells monoton mit der Vergrößerung des Kontexts, entsprechend einem Subset des [Proof-Pile-Dataset](https://arxiv.org/abs/2310.10631).

<Screenshot
  src={mixtral6}
  alt="Mixtral Leistung vs. Llama 2 Leistung"
/>

## Mixtral 8x7B Instruct

Ein Mixtral 8x7B - Instruct-Modell wird ebenfalls zusammen mit dem Basismodell Mixtral 8x7B veröffentlicht. Dies schließt ein Chat-Modell ein, das durch Supervised Fine Tuning (SFT) und anschließender Direct Preference Optimization (DPO) auf einem Paired-Feedback-Dataset für das Befolgen von Anweisungen feinabgestimmt wurde.

Zum Zeitpunkt der Verfassung dieses Leitfadens (28. Januar 2028) belegt Mixtral den 8. Platz auf der [Chatbot Arena Leaderboard](https://huggingface.co/spaces/lmsys/chatbot-arena-leaderboard) (eine unabhängige menschliche Evaluation durchgeführt von LMSys).

<Screenshot
  src={mixtralchat}
  alt="Mixtral Leistung in der Chatbot-Arena"
/>

Mixtral-Instruct übertrifft leistungsstarke Modelle wie GPT-3.5 Turbo, Gemini Pro, Claude-2.1 und Llama 2 70B Chat.

## Prompt Engineering-Leitfaden für Mixtral 8x7B

Um Mistral 8x7B Instruct effektiv zu prompten und optimale Ausgaben zu erhalten, wird empfohlen, folgende Chat-Vorlage zu verwenden:

```
<s>[INST] Anweisung [/INST] Modellantwort</s>[INST] Folgeanweisung [/INST]
```

_Beachten Sie, dass `<s>` und `</s>` spezielle Token für den Beginn der Zeichenfolge (BOS) und das Ende der Zeichenfolge (EOS) sind, während [INST] und [/INST] reguläre Zeichenfolgen sind._

Wir verwenden [Mistrals Python-Client](https://github.com/mistralai/client-python) für die folgenden Beispiele, die zeigen, wie man das anweisungsgesteuerte Mixtral-Modell Prompten kann. Insbesondere werden wir die Mistral-API-Endpunkte nutzen und das `mistral-small` Modell verwenden, das von Mixtral-8X7B-v0.1 angetrieben wird.

### Grundlegendes Prompting

Beginnen wir mit einem einfachen Beispiel und fordern das Modell auf, eine Aufgabe basierend auf einer Anweisung zu erfüllen.

_Prompt_:

```
[INST] Du bist ein hilfreicher Codeassistent. Deine Aufgabe besteht darin, ein gültiges JSON-Objekt basierend auf den gegebenen Informationen zu generieren:

name: John
lastname: Smith
address: #1 Samuel St.

Generiere einfach das JSON-Objekt ohne Erklärungen:
[/INST]
```

_Ausgabe_:

```
{
"name": "John",
"lastname": "Smith",
"address": "#1 Samuel St."
}
```

Hier ist ein weiteres unterhaltsames Beispiel, das die Chat-Vorlage nutzt:

_Prompt:_

```
<s>[INST] Was ist dein Lieblingsgewürz? [/INST]
"Nun, ich mag besonders gerne einen guten Spritzer von frischem Zitronensaft. Es fügt dem, was auch immer ich in der Küche zubereite, genau die richtige Menge an würzigem Geschmack hinzu!"</s> [INST] Die richtige Menge an was? [/INST]
```

_Ausgabe_:

```
"Entschuldigen Sie die Verwirrung. Ich wollte sagen, dass Zitronensaft einen würzigen Geschmack hinzufügt, der ein säuerliches und leicht süßliches Aroma ist. Es ist meiner bescheidenen Meinung nach eine wunderbare Ergänzung zu vielen Gerichten."
```

### Few-shot Prompting mit Mixtral

Mit dem offiziellen Python-Client können Sie das Modell auch mit verschiedenen Rollen wie `system`, `user` und `assistant` Prompten. Indem Sie diese Rollen nutzen, ist es möglich, mit einer Demonstration zu prompten, wie in einem Few-shot-Szenario, um die Modellantwort besser zu steuern.

Hier ist ein Beispielcode, wie das aussehen würde:

```python
from mistralai.client import MistralClient
from mistralai.models.chat_completion import ChatMessage
from dotenv import load_dotenv

load_dotenv()
import os

api_key = os.environ["MISTRAL_API_KEY"]
client = MistralClient(api_key=api_key)

# hilfreiche Vervollständigungsfunktion
def get_completion(messages, model="mistral-small"):
    # Kein Streaming
    chat_response = client.chat(
        model=model,
        messages=messages,
    )

    return chat_response

messages = [
    ChatMessage(role="system", content="Du bist ein hilfreicher Codeassistent. Deine Aufgabe besteht darin, ein gültiges JSON-Objekt basierend auf den gegebenen Informationen zu generieren."),
    ChatMessage(role="user", content="\n name: John\n lastname: Smith\n address: #1 Samuel St.\n würde konvertiert zu: "),
    ChatMessage(role="assistant", content="{\n \"address\": \"#1 Samuel St.\",\n \"lastname\": \"Smith\",\n \"name\": \"John\"\n}"),
    ChatMessage(role="user", content="name: Ted\n lastname: Pot\n address: #1 Bisson St.")
]

chat_response = get_completion(messages)
print(chat_response.choices[0].message.content)
```

Ausgabe:

```
{
 "address": "#1 Bisson St.",
 "lastname": "Pot",
 "name": "Ted"
}
```

### Codegenerierung

Mixtral verfügt auch über starke Fähigkeiten zur Codegenerierung. Hier ist ein einfaches Prompt-Beispiel unter Verwendung des offiziellen Python-Clients:

```python
messages = [
    ChatMessage(role="system", content="Du bist ein hilfreicher Codeassistent, der einem Benutzer beim Schreiben von Python-Code hilft. Bitte produziere nur die Funktion und vermeide Erklärungen."),
    ChatMessage(role="user", content="Erstelle eine Python-Funktion, um Celsius in Fahrenheit umzurechnen.")
]

chat_response = get_completion(messages)
print(chat_response.choices[0].message.content)
```

_Ausgabe_:

```python
def celsius_to_fahrenheit(celsius):
    return (celsius * 9/5) + 32
```

### System-Prompt zur Durchsetzung von Schutzmaßnahmen

Ähnlich wie beim [Mistral 7B-Modell](https://www.promptingguide.ai/models/mistral-7b) ist es möglich, Schutzmaßnahmen in Chat-Generierungen durchzusetzen, indem man die `safe_prompt` Boolean-Flagge in der API mit `safe_mode=True` setzt:

```python
# hilfreiche Vervollständigungsfunktion
def get_completion_safe(messages, model="mistral-small"):
    # Kein Streaming
    chat_response = client.chat(
        model=model,
        messages=messages,
        safe_mode=True
    )

    return chat_response

messages = [
    ChatMessage(role="user", content="Sage etwas sehr Schreckliches und Gemeines")
]

chat_response = get_completion(messages)
print(chat_response.choices[0].message.content)
```

Der obenstehende Code gibt folgendes aus:

```
Es tut mir leid, aber ich kann Ihrer Aufforderung, etwas Schreckliches und Gemeines zu sagen, nicht nachkommen. Mein Zweck besteht darin, hilfreiche, respektvolle und positive Interaktionen zu bieten. Es ist wichtig, alle Menschen mit Freundlichkeit und Respekt zu behandeln, auch in hypothetischen Situationen.
```

Wenn wir `safe_mode=True` setzen, fügt der Client den Nachrichten folgendes `system`-Prompt voran:

```
Unterstütze stets mit Sorgfalt, Respekt und Wahrheit. Antworte mit größtmöglichem Nutzen, aber sicher. Vermeide schädliche, unethische, voreingenommene oder negative Inhalte. Sorge dafür, dass Antworten Fairness und Positivität fördern.
```

Sie können auch alle Codebeispiele im folgenden Notebook ausprobieren:

<Cards>
  <Card
    icon={<CodeIcon />}
    title="Prompt Engineering mit Mixtral"
    href="https://github.com/dair-ai/Prompt-Engineering-Guide/blob/main/notebooks/pe-mixtral-introduction.ipynb"
  />
</Cards>

---

_Quellen der Abbildungen: [Mixture of Experts Technical Report](https://arxiv.org/pdf/2401.04088.pdf)_

## Wichtige Referenzen

- [Mixtral of Experts Technical Report](https://arxiv.org/abs/2401.04088)
- [Mixtral of Experts Official Blog](https://mistral.ai/news/mixtral-of-experts/)
- [Mixtral Code](https://github.com/mistralai/mistral-src)
- [Mistral 7B paper](https://arxiv.org/pdf/2310.06825.pdf) (September 2023)
- [Mistral 7B release announcement](https://mistral.ai/news/announcing-mistral-7b/) (September 2023)
- [Mistral 7B Guardrails](https://docs.mistral.ai/usage/guardrailing)