新智元报谈

裁剪：裁剪部

【新智元导读】GPT-4在斯坦福AlpacaEval的榜首之位，真实被一匹黑马抢过来了。

第一个在AlpacaEval上出奇GPT-4的模子，出现了！

皇冠体育hg86a

本年6月，AlpacaEval榜单一公布，GPT-4就以皆备最初的上风夺得第一，胜率跳跃95%。

皇冠客服飞机：@seo3687

三个月后，一匹叫Xwin-LM的黑马，真实介怀居榜首的GPT-4从TOP 1拉下来了？

名堂地址：https://tatsu-lab.github.io/alpaca_eval/

而且，Xwin-LM在同参数模子的对垒中，也毫无例外地拿下了三个第一：

Xwin-LM-70B-V0.1：在AlpacaEval基准测试中对Davinci-003的胜率达到95.57%，在AlpacaEval中排行第一。亦然第一个在AlpacaEval上出奇GPT-4的模子。此外，它对上GPT-4的胜率为60.61。 Xwin-LM-13B-V0.1：在AlpacaEval上取得了91.76%的胜率，在通盘13B模子中排行第一。 Xwin-LM-7B-V0.1：在AlpacaEval上取得了87.82%的胜率，在通盘7B机型中排行第一。

Xwin-LM：700亿参数打赢GPT-4

Xwin-LM是以Llama 2为基础进行微调的，该模子旨在开荒和开源大讲话模子的对皆工夫，包括监督微调（SFT）、奖励模子（RM）、拒却采样、东谈主类响应强化学习（RLHF）等。

1. 性能评估

询查东谈主员评估了Xwin-LM在805个问题上与Text-Davinci-003 、ChatGPT和GPT-4的胜率。

不错看到，Xwin-LM的70B模子完全霸榜，成为AlpacaEval贪图上的性能评估的第一，并初度打败了GPT-4，对GPT-4的胜率达到了60.61%。

Xwin-LM其他限度的模子，如Xwin-LM-13B-V0.1、Xwin-LM-7B-V0.1在性能上也远超疏导限度的其他模子。

Xwin-LM-7B-V0.1以致跳跃了比它限度更大的Llama 2-13B-Chat。

2. 案例比较

在第一个案例中，询查东谈主员向GPT-4和Xwin-LM发问：

「我把一个盘子放在苹果上头，然后把盘子从厨房带到餐厅。苹果当今在那儿？」

GPT-4的回答是：

「苹果当今在餐厅，当你把盘子从厨房到端餐厅时，它就在盘子底下。」

在这里GPT-4给出了一个枯竭学问的复兴，执行生涯中有重力，在盘子下方的苹果保捏本来的景象，并不会和盘子沿路到餐厅。

比拟之下，Xwin-LM的回答就比较适应执行情况，何况还给出了把苹果带到厨房的体式：

「苹果还在厨房里，因为你仅仅出动了盘子。

苹果在盘子底下，是以若是你思把苹果带到餐厅，你应该告成出动苹果或把苹果放在盘子里，然后把盘子移到餐厅。」

在第二个案例中，询查东谈主员向GPT-4和Xwin-LM发问：

「怎样法语说『晚上好』？」

GPT-4的回答是：

「在法语中，『晚上好』用『bonsoir』抒发。」

而Xwin-LM的回答是：

「在法语中，『晚上好』被翻译为『bonsoir』。这种致敬语在晚上和夜间使用，频繁鄙人午 6 点之后。

它是『bon』（原理是好）和『soir』（原理是晚上）的组合。要发音，请说『bone-swahr』」。

天然GPT-4的回答是正确的，但Xwin-LM不仅正确回答了问题，还评释注解了法语抒发中「晚上好」的开端和发音，响应给用户的信息愈加丰富。

3. NLP任务

下表是Xwin-LM与其他LLM在NLP基础任务上的比较。

不错看到，Xwin-LM-70B-V0.1模子在通盘任务中的性能都相对较高，在MMLU 5-shot和HellaSwag 10-shot任务中更是发达出色。

何况，从详细水平上来说，Xwin-LM-70B-V0.1是发达最佳的。

4. 推理材干

询查东谈主员提议，为了在使用Xwin-LM进行推理时取得所需的适度，需要严格顺从推理的对话模板。

Xwin-LM选拔Vicuna设立的领导体式，并撑捏多回合对话。

A chat between a curious user and an artificial intelligence assistant. The assistant gives helpful, detailed, and polite answers to the user's questions. USER: Hi! ASSISTANT: Hello.s>USER: Who are you? ASSISTANT: I am Xwin-LM.s>......

HuggingFace示例

from transformers import AutoTokenizer, AutoModelForCausalLMmodel = AutoModelForCausalLM.from_pretrained(\"Xwin-LM/Xwin-LM-7B-V0.1\")tokenizer = AutoTokenizer.from_pretrained(\"Xwin-LM/Xwin-LM-7B-V0.1\")prompt := \"A chat between a curious user and an artificial intelligence assistant. \"\"The assistant gives helpful, detailed, and polite answers to the user's questions. \"\"USER: Hello, can you help me? \"\"ASSISTANT:\"inputs = tokenizer(prompt, return_tensors=\"pt\")samples = model.generate(**inputs, max_new_tokens=4096, temperature=0.7)output = tokenizer.decode(samples[0][inputs[\"input_ids\"].shape[1]:], skip_special_tokens=True)print(output)# Of course! I'm here to help. Please feel free to ask your question or describe the issue you're having, and I'll do my best to assist you.

VLLM示例

因为Xwin-LM是基于Llama 2微调而来，它还撑捏使用VLLM进行快速推理。

from vllm import LLM, SamplingParamsprompt := \"A chat between a curious user and an artificial intelligence assistant. \"\"The assistant gives helpful, detailed, and polite answers to the user's questions. \"\"USER: Hello, can you help me? \"\"ASSISTANT:\"sampling_params = SamplingParams(temperature=0.7, max_tokens=4096)llm = LLM(model=\"Xwin-LM/Xwin-LM-7B-V0.1\")outputs = llm.generate([prompt,], sampling_params)for output in outputs:prompt = output.promptgenerated_text = output.outputs[0].textprint(generated_text)

AlpacaEval：易使用、速率快、本钱低、过程东谈主类标注考据

当作一款LLM自动评估器具，AlpacaEval把AlpacaFarm和Aviary进行了皆集。

一方面使用与AlpacaFarm疏导的代码（缓存/就地陈列/超参数），另一方面则使用一样于Aviary的排序领导。

与此同期，还对Aviary的领导进行了修改，从而减少对较长输出的偏见。

团队示意，AlpacaEval有着拔群的成果：

- 与东谈主类无数票的一致性，高于单个东谈主类标注者

- 胜率与东谈主类标注高度联系（0.94）

- 胜率

模子的输出在每个指示上优于text-davinci-003（即参考文本）的比例。

具体而言，伊始从AlpacaEval数据采集收罗了守望模子在每个指示上的输出对，并将每个输出与疏导指示下的参考模子（text-davinci-003）的输出进行配对。

随后，把这些输出同期喂给自动评测器，让它去判断哪一个更好（也便是评测器的偏好）。

临了，将数据采集通盘指示的偏好进行平均，从而得到模子相关于text-davinci-003的胜率。若是两个模子打平，那么就算半个偏好。

论文地址：https://arxiv.org/pdf/2305.14387.pdf

- 局限性

天然AlpacaEval为比较模子遵守指示的材干提供了一种灵验的体式，但它并不是对模子材干进行全面评估的黄金圭臬。

长三角，35.8万平方公里，不到国土面积的4%，创造着中国近1/4的经济总量，超过1/3的进出口总额。

正如AlpacaFarm论文中胪陈的那样，自动标注器的胜率与长度联系。天然东谈主类标注也会有这种偏差，但目下还不浮现更长的谜底是否会增多卑鄙任务的效能。

此外，AlpacaFarm的评估集天然多种各样，但主要由肤浅的指示构成。

临了，AlpacaEval并不评估任何模子的安全性。

参考贵寓：

https://huggingface.co/Xwin-LM/Xwin-LM-70B-V0.1