僅次于GPT-4，李開復(fù)零一萬物Yi-34B-Chat最新成績公布——

在Alpaca經(jīng)認證的模型類別中，以94.08%的勝率，超越LLaMA2 Chat 70B、Claude 2、ChatGPT！

圖片

不僅如此，在加州大學(xué)伯克利分校主導(dǎo)的LMSYS ORG排行榜中，Yi-34B-Chat也以1102的Elo評分，晉升最新開源SOTA開源模型之列，性能表現(xiàn)追平GPT-3.5。

在五花八門的大模型評測中，伯克利LMSYS ORG排行榜采用了一個最為接近用戶體感的 “聊天機器人競技場” 特殊測評模式，讓眾多大語言模型在評測平臺隨機進行一對一 battle，通過眾籌真實用戶來進行線上實時盲測和匿名投票，11月份經(jīng)25000的真實用戶投票總數(shù)計算了20個大模型的總得分。

Elo評分越高，說明模型在真實用戶體驗上的表現(xiàn)越出色，可說是眾多大模型評測集中最能展現(xiàn) “Moment of Truth 真實關(guān)鍵一刻” 的用戶導(dǎo)向體驗對決。

圖片

△LMSYS ORG榜單（發(fā)布于2023年12月8日）

中文能力方面，Yi-34B-Chat 微調(diào)模型同樣不遑多讓。SuperCLUE是一項針對中文能力的排行榜，從基礎(chǔ)能力、專業(yè)能力和中文特性能力三個不同的維度，評估模型的能力。

根據(jù)11月底發(fā)布的《SuperCLUE中文大模型基準(zhǔn)評測報告 2023》，11月下旬首度發(fā)布的 Yi-34B Chat，迅速晉升到和諸多國產(chǎn)優(yōu)秀大模型齊平的 “卓越領(lǐng)導(dǎo)者” 象限，在多項基準(zhǔn)評測中的 “SuperCLUE 大模型對戰(zhàn)勝率” 這項關(guān)鍵指標(biāo)上，Yi-34B-Chat 取得31.82%的勝率，僅次于GPT4-Turbo。

△中文SuperCLUE排行榜（發(fā)布于2023年11月28日）

對話場景實測

Yi-34B-Chat 模型實力在不同的對話場景中實力如何？來看幾個更直觀的問題演示：

例如“喂”給Yi-34B-Chat如下問題：

Transformer 模型結(jié)構(gòu)能不能走向 AGI ?

圖片

不難看出，Yi-34B-Chat的回答可以說是有理有據(jù)。

再來：

給我生成一個小紅書文案，給大家安利一只豆沙色的口紅。

圖片

回答可以說是非常符合現(xiàn)在小紅書主流的帶貨風(fēng)格了。

中文理解方面，我們再出一道題：

小王給領(lǐng)導(dǎo)送了一份禮物后。領(lǐng)導(dǎo)說：“小王，你這是什么意思？”小王：“一點心意，意思意思。”領(lǐng)導(dǎo)：“你這就不夠意思了。”小王：“小意思，小意思。”領(lǐng)導(dǎo)：“小王，你這人真有意思。”小王：“也沒什么別的意思。”領(lǐng)導(dǎo)：“那我多不好意思。”小王：“是我不好意思。”這個意思到底是什么意思？

圖片

可以看到，即便是在非常“繞”的中文理解方面，Yi-34B-Chat也是精準(zhǔn)的拿捏住了。

據(jù)零一萬物介紹，除了 Yi 系列強基座的貢獻以外，Yi-34B-Chat 模型的效果還得益于其人工智能對齊（AI Alignment）團隊采用了一系列創(chuàng)新對齊策略。通過精心設(shè)計的指令微調(diào)流程，不僅強化了模型在理解和適應(yīng)人類需求方面的能力，還使得模型與人類價值觀對齊，包括幫助性（Helpful），可靠性（Honest），無害性（Harmless）等。

在強基座設(shè)定下，該團隊采用了一種輕量化指令微調(diào)方案，該方案涵蓋了單項能力提升和多項能力融合兩個階段。
其中，單項能力包括通用指令跟隨、創(chuàng)意內(nèi)容生成、數(shù)學(xué)、推理、編程、泛COT、對話交互等。通過大量的消融實驗，針對模型單能力構(gòu)建和多能力融合總結(jié)了獨家認知經(jīng)驗。

在數(shù)據(jù)的量和質(zhì)方面，一方面，團隊在強基座模型上，實現(xiàn)僅需要少量數(shù)據(jù)（幾條到幾百條），就能激發(fā)模型特定單項能力；另一方面，數(shù)據(jù)質(zhì)量比數(shù)量重要，少量高質(zhì)量數(shù)據(jù)比大量低質(zhì)量數(shù)據(jù)更好。通過關(guān)注超出模型能力的“低質(zhì)量”數(shù)據(jù)，減少了模型“幻覺”。

在指令多樣性與難度方面，團隊通過在各能力項下構(gòu)建任務(wù)體系，實現(xiàn)了訓(xùn)練數(shù)據(jù)中的指令均衡分布，大幅提升了模型泛化性。通過復(fù)合指令構(gòu)造和指令難度進化，不僅提升了模型效果，也顯著降低了對數(shù)據(jù)量的需求。

在風(fēng)格一致性方面，團隊發(fā)現(xiàn)訓(xùn)練數(shù)據(jù)的風(fēng)格會影響模型收斂速度和能力上限的逼近程度，因此統(tǒng)一了回復(fù)風(fēng)格，比如重點設(shè)計了CoT的回復(fù)風(fēng)格，實現(xiàn)在輕量SFT情況下，避免了風(fēng)格不一致加劇模型的“記憶”現(xiàn)象。

在多能力融合階段，團隊采用網(wǎng)格搜索的方法來決定數(shù)據(jù)配比和超參數(shù)的設(shè)置，通過基準(zhǔn)測試和自建評測集的結(jié)果來指導(dǎo)搜索過程，成功實現(xiàn)模型的多能力融合。

不僅如此，Yi模型開源首月，數(shù)據(jù)也很亮眼。

在Hugging Face社區(qū)下載量為16.8萬，魔搭社區(qū)下載量1.2萬。在GitHub 獲得超過4900個Stars。

由于性能表現(xiàn)強勁，多家知名公司和機構(gòu)推出了基于Yi模型基座的微調(diào)模型，比如獵豹旗下的獵戶星空公司推出的OrionStar-Yi-34B-Chat模型，南方科技大學(xué)和粵港澳大灣區(qū)數(shù)字經(jīng)濟研究院（簡稱IDEA研究院）認知計算與自然語言研究中心（簡稱CCNL中心）聯(lián)合發(fā)布的SUS-Chat-34B等，均性能表現(xiàn)優(yōu)異。而AMD和Hugging Face合作的GPU加速大模型的實驗中，也選擇了Yi-6B作為范例項目。

知名技術(shù)寫作者蘇洋表示，在他觀察的近期Hugging Face榜單中，前三十名有一半多都是 Yi 和其他用戶微調(diào)的 Yi-34B 的變體模型，原本占據(jù)榜單頭部的 68B 和 70B 模型的數(shù)量目前只留有幾個，“從這點看 Yi 對于開源生態(tài)的幫助還是非常巨大的。”

用戶真實反饋實錄

Yi-34B開源發(fā)布后，開發(fā)者Eric Hartford就發(fā)現(xiàn)了模型存在的一個小問題。

他在郵件中寫道：

感謝你們提供了一個優(yōu)秀的模型。Yi模型使用了與LLaMA模型完全相同的架構(gòu)，只是將兩個張量改了名字。由于圍繞LLaMA架構(gòu)有很多投資和工具，保持張量名稱的一致性是有價值的。”Eric建議，在Yi被廣泛傳播前，及時恢復(fù)張量名稱。

零一萬物意識到命名問題的疏忽對開發(fā)者造成的不便，跟Eric和其他開發(fā)者提出說明，表達誠摯的歉意，并很快便在各開源平臺重新提交模型及代碼，完成了開源社區(qū)的版本更新。

然而Eric自己也沒有預(yù)想到，他的這個建議，在國內(nèi)竟被曲解、誤讀，引發(fā)了輿論關(guān)于Yi模型“抄襲”LLaMA的質(zhì)疑。

事實上，一個模型核心技術(shù)護城河是在架構(gòu)之上，通過數(shù)據(jù)訓(xùn)練獲得的參數(shù)和代碼，在沿用了開源社區(qū)普遍使用的LLaMA 架構(gòu)之上。

根據(jù)零一萬物團隊的說法，他們是從零開始，用高質(zhì)量的數(shù)據(jù)集、自研訓(xùn)練科學(xué)和AI Infra打造了 Yi-34B 在內(nèi)的系列模型。為了執(zhí)行對比實驗的需要，對部分推理參數(shù)進行了重新命名。原始出發(fā)點是為了充分測試模型，而非刻意隱瞞來源。

身處這場輿論風(fēng)暴的中心，Eric也在X（twitter）上寫道：

他們沒有在任何事情上撒謊。所有的模型都是在相互借鑒架構(gòu)。架構(gòu)是學(xué)術(shù)研究的產(chǎn)物，已經(jīng)發(fā)表在論文中，任何人都可以自由使用，這絲毫不減損Yi團隊的成就。他們從零開始使用自己創(chuàng)建的數(shù)據(jù)集訓(xùn)練Yi，對開源領(lǐng)域的貢獻是值得贊揚的。

圖片

緊接著，他又說，“使用Llama架構(gòu)沒有任何問題。訓(xùn)練才是關(guān)鍵。Yi給了我們目前可獲得的最佳模型，沒有任何可抱怨的。”

現(xiàn)在，Eric已經(jīng)成為Yi-34B的忠實擁躉，會使用Yi-34b-200k數(shù)據(jù)集訓(xùn)練其他的模型產(chǎn)品，并感嘆絲滑般的訓(xùn)練體驗。

數(shù)字化創(chuàng)業(yè)者，開發(fā)者，技術(shù)寫作者蘇洋表示：

我自己本身是大模型產(chǎn)品的重度用戶，除了用了很久的 Tabnine、Copilot 做代碼輔助生成之外，也算是第一批開始氪金使用 Chat 的玩家，基本各家廠商模型出來都會申請內(nèi)測，體驗?zāi)Ｐ偷膶嶋H能力。這里除去工作中接觸和使用模型的機會外，作為獨立開發(fā)者，玩了十幾年的代碼，我個人也非常好奇模型究竟能夠發(fā)展到什么程度。

我了解到 Yi-34B 有幾個渠道，當(dāng)時的 Huggingface 榜單第一名、小圈子朋友的“點贊”和“吐槽”、各種群里刷屏的消息。

圖片

我是開發(fā)者，同時也是終端用戶，所以非常好奇，這個模型到底行不行？或者說更想知道模型哪里是行的，哪里是不行的。尤其是榜單分?jǐn)?shù)這么高，質(zhì)疑聲浪也這么高？與其霧里看花、眾說紛紜，不如自己實際跑一跑。

于是，我嘗試使用家里本地的機器，在純 CPU 環(huán)境、CPU & GPU 混合環(huán)境下對模型進行測試，結(jié)果比想象中要好。

尤其是社區(qū)中的 finetune 后的版本，在對新聞、研究報告的摘要總結(jié)方面，對非結(jié)構(gòu)化的信息中的實體識別和抽取上表現(xiàn)非常不錯。早些時候，官方還未推出 Chat 版本時，來自社區(qū)的 Chat 版本在對話的過程中，通史類的問答表現(xiàn)也非常不錯。當(dāng)然，可能是由于零一在訓(xùn)練過程中，出于安全考慮，過濾太多語料的緣故，一些本土化的內(nèi)容仍然不夠深入。

而且，不光是我的個人體驗，海外也有用戶有相同體感，在“海外貼吧” Reddit 上有分享自己的感受，你們可以自己搜搜看。

我會時不時的瀏覽下 HF 的榜單，在最近榜單中的前三十名，有一半多都是 Yi 和其他用戶微調(diào)的 Yi-34B 的變體模型，原本占據(jù)榜單頭部的 68B 和 70B 模型的數(shù)量目前只留有幾個，從這點看 Yi 對于開源生態(tài)的幫助還是非常巨大的。

34B 普通用戶努努力還是能自己相對低成本跑起來的，68 和 70B 的模型想要本地運行，需要更多的資源。但其實目前分?jǐn)?shù)其實相比較 34B 拉不開太多，也就三四分平均分，但參數(shù)量差了一倍。換言之，企業(yè)想部署使用，所需要的成本也可以得到非常大的節(jié)約。

目前國產(chǎn)大模型在開源榜單上已經(jīng)是第一梯隊，但如果把競爭范圍追加到閉源模型、尤其是海外的模型，仍有很大的距離要去追趕。目前的普遍體驗是開源模型最多只有 GPT-3.5 + 的水平。

我個人相信國產(chǎn)大模型是能夠很快追趕至第一梯隊的。

就如同很多底子很好，又勤奮刻苦的中國大學(xué)生，能夠在使用正確方法的前提下，通過努力，不斷的進入更好的學(xué)習(xí)環(huán)境，不斷刷新自己成績，取得耀眼的學(xué)術(shù)成就。現(xiàn)實中，哪怕是對華人苛刻的 “八大藤校”，是不是中國人越來越多了呢？

只要底子好，堅持使用開源的正確路線和方法，做好本地化適配和調(diào)優(yōu)，就有希望。

參考鏈接：
[1]https://huggingface.co/01-ai/[2]https://www.modelscope.cn/organization/01ai