新智元报谈

剪辑：剪辑部

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

第一个在AlpacaEval上非常GPT-4的模子，出现了！

本年6月，AlpacaEval榜单一公布，GPT-4就以都备当先的上风夺得第一，胜率跨越95%。

三个月后，一匹叫Xwin-LM的黑马，竟然肃肃居榜首的GPT-4从TOP 1拉下来了？

神态地址：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上非常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，在扫数13B模子中排行第一。 Xwin-LM-7B-V0.1：在AlpacaEval上取得了87.82%的胜率，在扫数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，该模子旨在设备和开源大讲话模子的对都本领，包括监督微调（SFT）、奖励模子（RM）、拒却采样、东谈主类反映强化学习（RLHF）等。

1. 性能评估

参谋东谈主员评估了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倡导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其他畛域的模子，如Xwin-LM-13B-V0.1、Xwin-LM-7B-V0.1在性能上也远超交流畛域的其他模子。

Xwin-LM-7B-V0.1以至跨越了比它畛域更大的Llama 2-13B-Chat。

2. 案例比较

皇冠体育

在第一个案例中，参谋东谈主员向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。苹果当今在何处？」

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给出了一个枯竭知识的回应，推行生涯中有重力，在盘子下方的苹果保执正本的情景，并不会和盘子沿途到餐厅。

比拟之下，Xwin-LM的回答就比较适应推行情况，何况还给出了把苹果带到厨房的才略：

「苹果还在厨房里，因为你仅仅迁徙了盘子。

苹果在盘子底下，是以淌若你念念把苹果带到餐厅，你应该径直迁徙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，参谋东谈主员向GPT-4和Xwin-LM发问：

「若何法语说『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』。这种致意语在晚上和夜间使用，一样不才午 6 点之后。

它是『bon』（兴致是好）和『soir』（兴致是晚上）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，还证据了法语抒发中「晚上好」的来源和发音，反映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模子在扫数任务中的性能都相对较高，在MMLU 5-shot和HellaSwag 10-shot任务中更是泄露出色。

何况，从详细水平上来说，Xwin-LM-70B-V0.1是泄露最佳的。

4. 推理才智

参谋东谈主员提议，为了在使用Xwin-LM进行推理时取得所需的限度，需要严格死守推理的对话模板。

Xwin-LM给与Vicuna设备的领导姿色，并解救多回合对话。

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，它还解救使用VLLM进行快速推理。

皇冠客服飞机：@seo3687

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、流程东谈主类标注考证

看成一款LLM自动评估器用，AlpacaEval把AlpacaFarm和Aviary进行了鸠合。

一方面使用与AlpacaFarm交流的代码（缓存/马上成列/超参数），另一方面则使用肖似于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。

团队默示，AlpacaEval有着拔群的后果：

- 与东谈主类多半票的一致性，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，着手从AlpacaEval数据围聚汇集了盼愿模子在每个指示上的输出对，并将每个输出与交流指示下的参考模子（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，将数据围聚扫数指示的偏好进行平均，从而得到模子联系于text-davinci-003的胜率。淌若两个模子打平，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为比较模子罢黜指示的才智提供了一种灵验的才略，但它并不是对模子才智进行全面评估的黄金顺序。

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，但目下还不了了更长的谜底是否会加多卑鄙任务的遵守。

此外，AlpacaFarm的评估集天然多种种种，但主要由浅近的指示构成。

11月16日，有网友在社交平台发布视频称，安徽省蚌埠市蚌山区雪华山西路玉龙湖畔北区的市民在拍摄城管执法时，手机被执法人员抢夺，直到听到有人要报警，城管执法人员才将手机还给该市民。

当今亚洲足坛，日本各级男足球队代表着亚洲最高水平，此前U17亚洲杯，日本击败韩国拿到冠军，顺利获得世少赛的参赛资格。据统计，日本在世少赛的最好成绩是8强阶段，曾在1993年和2019年2次获得。

临了，AlpacaEval并不评估任何模子的安全性。

参考而已：

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