新智元报说念亚星棋牌
皇冠官网地址裁剪：裁剪部
【新智元导读】GPT-4在斯坦福AlpacaEval的榜首之位，确实被一匹黑马抢过来了。
第一个在AlpacaEval上卓绝GPT-4的模子，出现了！
本年6月，AlpacaEval榜单一公布，GPT-4就以系数当先的上风夺得第一，胜率逾越95%。
三个月后，一匹叫Xwin-LM的黑马，确实正式居榜首的GPT-4从TOP 1拉下来了？
皇冠客服飞机：@seo3687
技俩地址：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中名循序一。亦然第一个在AlpacaEval上卓绝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模子中名循序一。 Xwin-LM-7B-V0.1：在AlpacaEval上取得了87.82%的胜率，在通盘7B机型中名循序一。
Xwin-LM：700亿参数打赢GPT-4
Xwin-LM是以Llama 2为基础进行微调的，该模子旨在开拓和开源大言语模子的对皆技能，包括监督微调（SFT）、奖励模子（RM）、拒却采样、东说念主类反映强化学习（RLHF）等。
1. 性能评估
玩法沟通东说念主员评估了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狡计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其他界限的模子，如Xwin-LM-13B-V0.1、Xwin-LM-7B-V0.1在性能上也远超调换界限的其他模子。
Xwin-LM-7B-V0.1致使逾越了比它界限更大的Llama 2-13B-Chat。
2. 案例比较
在第一个案例中，沟通东说念主员向GPT-4和Xwin-LM发问：
博彩业在澳门「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。」
皇冠信用在这里GPT-4给出了一个穷乏知识的回答，履行生存中有重力，在盘子下方的苹果保抓原本的情景，并不会和盘子沿路到餐厅。
14代皇冠导航地图更新比拟之下，Xwin-LM的回答就比较顺应履行情况，何况还给出了把苹果带到厨房的程序：
「苹果还在厨房里，因为你仅仅转移了盘子。
苹果在盘子底下，是以要是你念念把苹果带到餐厅，你应该平直转移苹果或把苹果放在盘子里，然后把盘子移到餐厅。」
孟晚舟飞离加拿大当天，华为发布全新操作系统欧拉。孟晚舟回国同一天，2021中国民营企业500强榜单发布，华为继续蝉联500强榜单第一位，占据研发投入发明专利数第一名。在第二个案例中，沟通东说念主员向GPT-4和Xwin-LM发问：
「怎么法语说『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，相似不才午 6 点之后。
它是『bon』（兴味是好）和『soir』（兴味是晚上）的组合。要发音，请说『bone-swahr』」。
固然GPT-4的回答是正确的，但Xwin-LM不仅正确回答了问题，还阐明了法语抒发中「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任务中更是解析出色。
何况，从玄虚水平上来说，Xwin-LM-70B-V0.1是解析最佳的。
4. 推理才调
沟通东说念主员提议，为了在使用Xwin-LM进行推理时得回所需的箝制，需要严格遵守推理的对话模板。
Xwin-LM继承Vicuna设立的辅导神志，并维持多回合对话。
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
8月7日，接近碧桂园人士向《每日经济新闻》记者表示，佛山市副市长带队的工作组进驻碧桂园这一传言不属实。
因为Xwin-LM是基于Llama 2微调而来，它还维持使用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)
微球体育app下载苹果版皇冠体育AlpacaEval：易使用、速率快、老本低、经由东说念主类标注考证
行为一款LLM自动评估用具，AlpacaEval把AlpacaFarm和Aviary进行了聚会。
一方面使用与AlpacaFarm调换的代码（缓存/立地成列/超参数），另一方面则使用近似于Aviary的排序辅导。
与此同期，还对Aviary的辅导进行了修改，从而减少对较长输出的偏见。
团队示意，AlpacaEval有着拔群的恶果：
- 与东说念主类无数票的一致性，高于单个东说念主类标注者
- 胜率与东说念主类标注高度联系（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，开头从AlpacaEval数据齐集网罗了盼望模子在每个指示上的输出对，并将每个输出与调换指示下的参考模子（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（也等于评测器的偏好）。
终末，将数据齐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。要是两个模子打平，那么就算半个偏好。
论文地址：https://arxiv.org/pdf/2305.14387.pdf
- 局限性
固然AlpacaEval为比较模子遵从指示的才调提供了一种有用的程序，但它并不是对模子才调进行全面评估的黄金标准。
正如AlpacaFarm论文中胪陈的那样，自动标注器的胜率与长度联系。固然东说念主类标注也会有这种偏差，但刻下还不明晰更长的谜底是否会加多卑劣任务的效用。
此外，AlpacaFarm的评估集固然多种千般，但主要由浮浅的指示构成。
终末，AlpacaEval并不评估任何模子的安全性。
参考贵府：
https://huggingface.co/Xwin-LM/Xwin-LM-70B-V0.1