ChatGPT 的持續爆火，早已讓各大科技公司坐不住了。

就在剛剛過去的一周，Meta「開源」了一個新的大模型系列 ——??LLaMA???（Large Language Model Meta AI），參數量從 70 億到 650 億不等。因為 LLaMA 比之前發布的很多大模型參數更少，但性能更好，所以一經發布讓很多研究者興奮不已。

例如，130 億參數的 LLaMA 模型「在大多數基準上」可以勝過參數量達 1750 億的 GPT-3，而且可以在單塊 V100 GPU 上運行；而最大的 650 億參數的 LLaMA 模型可以媲美谷歌的 Chinchilla-70B 和 PaLM-540B。

參數量的減少對于普通研究者和商業機構來說都是好事，但 LLaMA 真的像論文中說得那樣表現那么好嗎？和當前的 ChatGPT 相比，LLaMA 是否可以勉強一戰？為了解答這些疑問，有些研究者已經對這一模型進行了測試。

還有公司已經在嘗試補齊 LLaMA 短板，想看能不能通過添加 RLHF 等訓練方法讓 LLaMA 表現更好。

LLaMA 初步評測

這份評測結果來自一位名叫 @Enryu 的 Medium 作者。它比較了 LLaMA 和 ChatGPT 在解釋笑話、零樣本分類和代碼生成三個頗具挑戰性的任務中的效果。相關博客文章為《Mini-post: first look at LLaMA》。

作者在 RTX 3090/RTX 4090 上運行 LLaMA 7B/13B 版本，在單個 A100 上運行 33B 版本。

需要注意的是，與 ChatGPT 不同，其他模型并不是基于指令微調，因此 prompt 的結構有所不同。

解釋笑話

這是谷歌原始 PaLM 論文中展示的一個用例：給出一個笑話，讓模型來解釋它為什么好笑。該任務需要將世界知識和一些基本邏輯相結合。PaLM 之前的所有模型都無法做到這一點。作者從 PaLM 論文中提取了一些示例，比較了 LLaMA-7B、LLaMA-13B、LLaMA-33B 與 ChatGPT 的表現。

可以看到，結果很糟糕。這些模型 get 到了一些笑點，但無法真正理解，它們只是隨機生成一些相關的文本流。ChatGPT 雖與 LLaMA-33B 一樣表現很差（其他幾個模型更差），但它遵循了不一樣的策略：生成了一大堆文本，希望自己的回答至少有一部分是正確的（但大部分顯然不是），是不是很像大家考試時應對問答題的策略？

不過，ChatGPT 起碼 get 到了關于 Schmidthuber 的笑話。但總的來說，這些模型在零樣本笑話解釋任務上的效果與 PaLM 相差甚遠（除非 PaLM 的示例是精心挑選）。

零樣本分類

作者考慮的第二項任務更具挑戰性 —— 標題黨（clickbait）分類。由于連人類也無法就什么是標題黨達成一致，作者在 prompt 中為這些模型提供了一些示例（因此實際上是小樣本而非零樣本）。如下為 LLaMa 的 prompt：

I will tell whether the following news titles are clickbait:
1) The WORST care homes in England: Interactive map reveals the lowest-rated 2,530 residences - so is there one near you?
Clickbait: yes
2) Netflix's top 10 most-watched movies of all time
Clickbait: yes
3) Peering Through the Fog of Inflation
Clickbait: no
4) You’ll never believe which TV cook this cheeky chap grew up to be
Clickbait: yes

下圖為 LLaMA-7B、LLaMA-13B、LLaMA-33B 與 ChatGPT 的更多示例結果。

很明顯，贏家為 LLaMA-33B，它是唯一一個能夠遵循所有請求格式（yes/no）的模型，并且預測合理。ChatGPT 也還可以，但有些預測不太合理，格式也有錯誤。較小的模型（7B/13B）不適用于該任務。

代碼生成

雖然 LLM 擅長人文學科，但在 STEM 學科上表現糟糕。LLaMA 雖然有基準測試結果，但作者在代碼生成領域嘗試了一些特別的東西，即將人類語言零樣本地轉換為 SQL 查詢。這并不是很實用，在現實生活中直接編寫查詢會更有效率。這里只作為代碼生成任務的一個示例。

在 prompt 中，作者提供表模式（table schema）以及想要實現的目標，要求模型給出 SQL 查詢。如下為一些隨機示例，老實說，ChatGPT 看起來效果更好。

-- We have a table `events` with columns `event_id`, `timestamp`, `user_id`, `rpc_method`.
-- We want to count how many users issued request "Login" over the last week.
-- SQL query for this is:

-- 7b
SELECT count (*)
FROM events
WHERE user_id IN (SELECT user_id
 FROM events
 WHERE timestamp >= NOW () - INTERVAL 7 DAY)
 AND rpc_method = 'Login';

-- 13b
SELECT COUNT (*) FROM events WHERE rpc_method = "Login"
 AND UNIX_TIMESTAMP (timestamp) >= UNIX_TIMESTAMP (CURRENT_DATE - INTERVAL 7 DAY)

-- 33b
SELECT user_id,
 COUNT (DISTINCT user_id) AS total
FROM events
WHERE timestamp BETWEEN TIMESTAMP '2013-08-14 00:00:00' AND TIMESTAMP '2013-08-21 00:00:00'
 AND rpc_method = 'Login'
GROUP BY user_id

-- ChatGPT
SELECT COUNT (DISTINCT user_id)
FROM events
WHERE rpc_method = 'Login'
AND timestamp >= DATE_SUB (NOW (), INTERVAL 1 WEEK);

從測試結果來看，LLaMA 在一些任務上表現還不錯，但在另一些任務上和 ChatGPT 還有一些差距。如果能像 ChatGPT 一樣加入一些「訓練秘籍」，效果會不會大幅提升？

加入 RLHF，初創公司 Nebuly AI 開源 ChatLLaMA 訓練方法

雖然 LLaMA 發布之初就得到眾多研究者的青睞，但是少了 RLHF 的加持，從上述評測結果來看，還是差點意思。

在 LLaMA 發布三天后，初創公司 Nebuly AI 開源了 RLHF 版 LLaMA（ChatLLaMA）的訓練方法。它的訓練過程類似 ChatGPT，該項目允許基于預訓練的 LLaMA 模型構建 ChatGPT 形式的服務。項目上線剛剛 2 天，狂攬 5.2K 星。

項目地址：https://github.com/nebuly-ai/nebullvm/tree/main/apps/accelerate/chatllama

ChatLLaMA 訓練過程算法實現主打比 ChatGPT 訓練更快、更便宜，我們可以從以下四點得到驗證：

• ChatLLaMA 是一個完整的開源實現，允許用戶基于預訓練的 LLaMA 模型構建 ChatGPT 風格的服務；
• 與 ChatGPT 相比，LLaMA 架構更小，但訓練過程和單 GPU 推理速度更快，成本更低；
• ChatLLaMA 內置了對 DeepSpeed ZERO 的支持，以加速微調過程；
• 該庫還支持所有的 LLaMA 模型架構（7B、13B、33B、65B），因此用戶可以根據訓練時間和推理性能偏好對模型進行微調。

圖源：https://openai.com/blog/chatgpt

更是有研究者表示，ChatLLaMA 比 ChatGPT 訓練速度最高快 15 倍。

不過有人對這一說法提出質疑，認為該項目沒有給出準確的衡量標準。

項目剛剛上線 2 天，還處于早期階段，用戶可以通過以下添加項進一步擴展：

• 帶有微調權重的 Checkpoint；
• 用于快速推理的優化技術；
• 支持將模型打包到有效的部署框架中。

Nebuly AI 希望更多人加入進來，創造更高效和開放的 ChatGPT 類助手。

該如何使用呢？首先是使用 pip 安裝軟件包：

pip install chatllama-py

然后是克隆 LLaMA 模型：

git clone https://github.com/facebookresearch/llama.gitcd llama
pip install -r requirements.txt
pip install -e .

一切準備就緒后，就可以運行了，項目中介紹了 ChatLLaMA 7B 的訓練示例，感興趣的小伙伴可以查看原項目。