网站首页| 热点新闻| 美食推荐| 食品新闻| 深度观点| 食品辟谣| 农业消息| 金融财经| 健康养身| 企业品牌| 地方食品| 保健食品| 综合食品| 国际新闻|
中国食品网络台 您的位置:中国食品网络台 > 热点新闻 > 正文

UC伯克利发布大语言模型排行榜,Vicuna夺冠,清华ChatGLM进前

2023-05-06 10:52:47  来源:IT之家  阅读量:5244   

万万没想到,现在大语言模型们也要像王者荣耀 / LoL / Dota 这些游戏里的玩家一样打排位赛了!据说,那些闭源模型们很快也会被拉出来溜溜。

最近,来自 LMSYS Org的研究人员又搞了个大新闻 —— 大语言模型版排位赛!

顾名思义,「LLM 排位赛」就是让一群大语言模型随机进行 battle,并根据它们的 Elo 得分进行排名。

然后,我们就能一眼看出,某个聊天机器人到底是「嘴强王者」还是「最强王者」。

划重点:团队还计划把国内和国外的这些「闭源」模型都搞进来,是骡子是马溜溜就知道了!

匿名聊天机器人竞技场长下面这样:

很明显,模型 B 回答正确,拿下这局;而模型 A 连题都没读懂……

在当前的排行榜中,130 亿参数的 Vicuna 以 1169 分稳居第一,同样 130 亿参数的 Koala 位列第二,LAION 的 Open Assistant 排在第三。

清华提出的 ChatGLM,虽然只有 60 亿参数,但依然冲进了前五,只比 130 亿参数的 Alpaca 落后了 23 分。

相比之下,Meta 原版的 LLaMa 只排到了第八,而 Stability AI 的 StableLM 则获得了唯一的 800 + 分,排名倒数第一。

团队表示,之后不仅会定期更新排位赛榜单,而且还会优化算法和机制,并根据不同的任务类型提供更加细化的排名。

目前,所有的评估代码以及数据分析均已公布。

拉着 LLM 打排位

在这次的评估中,团队选择了目前比较出名的 9 个开源聊天机器人。

每次 1v1 对战,系统都会随机拉两个上场 PK。用户则需要同时和这两个机器人聊天,然后决定哪个聊天机器人聊的更好。

可以看到,页面下面有 4 个选项,左边更好,右边(B)更好,一样好,或者都很差。

当用户提交投票之后,系统就会显示模型的名称。这时,用户可以继续聊天,或者选择新的模型重新开启一轮对战。

不过,团队在分析时,只会采用模型是匿名时的投票结果。在经过差不多一周的数据收集之后,团队共收获了 4.7k 个有效的匿名投票。

在开始之前,团队先根据基准测试的结果,掌握了各个模型可能的排名。

根据这个排名,团队会让模型去优先选择更合适的对手。

然后,再通过均匀采样,来获得对排名的更好总体覆盖。

在排位赛结束时,团队又引入了一种新模型 fastchat-t5-3b。

以上这些操作最终导致了非均匀的模型频率。

每个模型组合的对战次数

从统计数据来看,大多数用户所用的都是英语,中文排在第二位。

排名前 15 的语言的对战次数
评估 LLM,真的很难

自从 ChatGPT 爆火之后,经过指令跟随微调的开源大语言模型如雨后春笋一般大量涌现。可以说,几乎每周都有新的开源 LLM 在发布。

但问题是,评估这些大语言模型非常难。

具体来说,目前用来衡量一个模型好不好的东西基本都是基于一些学术的 benchmark,比如在一个某个 NLP 任务上构建一个测试数据集,然后看测试数据集上准确率多少。

然而,这些学术 benchmark在大模型和聊天机器人上就不好用了。其原因在于:

1. 由于评判聊天机器人聊得好不好这件事是非常主观的,因此现有的方法很难对其进行衡量。

2. 这些大模型在训练的时候就几乎把整个互联网的数据都扫了一个遍,因此很难保证测试用的数据集没有被看到过。甚至更进一步,用测试集直接对模型进行「特训」,如此一来表现必然更好。

3. 理论上我们可以和聊天机器人聊任何事情,但很多话题或者任务在现存的 benchmark 里面根本就不存在。

那如果不想采用这些 benchmark 的话,其实还有一条路可以走 —— 花钱请人来给模型打分。

实际上,OpenAI 就是这么搞的。但是这个方法明显很慢,而且更重要的是,太贵了……

为了解决这个棘手的问题,来自 UC 伯克利、UCSD、CMU 的团队发明了一种既好玩又实用的全新机制 —— 聊天机器人竞技场。

相比而言,基于对战的基准系统具有以下优势:

  • 可扩展性

当不能为所有潜在的模型对收集足够的数据时,系统应能扩展到尽可能多的模型。

  • 增量性

系统应能够使用相对较少的试验次数评估新模型。

  • 唯一顺序

系统应为所有模型提供唯一顺序。给定任意两个模型,我们应该能够判断哪个排名更高或它们是否并列。

Elo 评分系统

Elo 等级分制度是一种计算玩家相对技能水平的方法,广泛应用在竞技游戏和各类运动当中。其中,Elo 评分越高,那么就说明这个玩家越厉害。

比如英雄联盟、Dota 2 以及吃鸡等等,系统给玩家进行排名的就是这个机制。

举个例子,当你在英雄联盟里面打了很多场排位赛后,就会出现一个隐藏分。这个隐藏分不仅决定了你的段位,也决定了你打排位时碰到的对手基本也是类似水平的。

而且,这个 Elo 评分的数值是绝对的。也就是说,当未来加入新的聊天机器人时,我们依然可以直接通过 Elo 的评分来判断哪个聊天机器人更厉害。

具体来说,如果玩家 A 的评分为 Ra,玩家 B 的评分为 Rb,玩家 A 获胜概率的精确公式为:

然后,玩家的评分会在每场对战后线性更新。

假设玩家 A预计获得 Ea 分,但实际获得 Sa 分。更新该玩家评分的公式为:

1v1 胜率

此外,作者还展示了排位赛中每个模型的对战胜率以及使用 Elo 评分估算的预测对战胜率。

结果显示,Elo 评分确实可以相对准确地进行预测

所有非平局 A 对 B 战斗中模型 A 胜利的比例

在 A 对 B 战斗中,使用 Elo 评分预测的模型 A 的胜率
作者介绍

「聊天机器人竞技场」由前小羊驼作者机构 LMSYS Org 发布。

该机构由 UC 伯克利博士 Lianmin Zheng 和 UCSD 准教授 Hao Zhang 创立,目标是通过共同开发开放的数据集、模型、系统和评估工具,使每个人都能获得大型模型。

Lianmin Zheng

Lianmin Zheng 是加州大学伯克利分校 EECS 系的博士生,他的研究兴趣包括机器学习系统、编译器和分布式系统。

Hao Zhang

Hao Zhang 目前是加州大学伯克利分校的博士后研究员。他将于 2023 年秋季开始在加州大学圣地亚哥分校 Hal?c?o?lu 数据科学研究所和计算机系担任助理教授。

参考资料:

声明:以上内容为本网站转自其它媒体,相关信息仅为传递更多企业信息之目的,不代表本网观点,亦不代表本网站赞同其观点或证实其内容的真实性。投资有风险,需谨慎。

上一篇:苹果将再回购900亿美元股票目前现金储备超过1600亿美元
下一篇:返回列表

42