"一幅幻想图,展示了深蓝夜空中的一串星链,数字艺术,超高分辨率"。Midjourney V5制作
作者:傅尧、欧立图、陈明宇、万宇豪、彭昊、Tushar Khot、陈文虎
来自爱丁堡大学、华盛顿大学、艾伦人工智能研究所、滑铁卢大学
近期,大语言模型领域取得了许多进展。许多人声称,一个不到100亿参数的小模型可以达到与GPT-3.5相当的性能。真的吗?
在日常对话中,GPT-3.5和GPT-4之间的区别可能并不明显。差异主要体现在当任务复杂度达到一定阈值时 — GPT-4更可靠、更具创造性,能够处理更加微妙的指令。 — GPT-4发布博客
关键的区别在于模型是否能完成复杂任务,就像老话说的:"闲聊容易,让我看看你的推理能力。"这就是为什么我们汇编了一系列复杂推理任务,包括数学(GSM8K)、科学(MATH、TheoremQA)、符号(BBH)、知识(MMLU、C-Eval)、编程(HumanEval)、事实(SummEdits)和长文本(RepoBench、Qspr、QALT、BkSS),以衡量模型在具有挑战性任务上的表现。
更重要的 是,我们预见大语言模型将成为下一代计算平台,并孕育出基于大语言模型的新应用生态系统。届时,思维链提示工程将成为下一代系统调用和shell脚本。
思维链中心的可信度来自于精心挑选的数据集和模型,这些数据集和模型可以明确地帮助大语言模型的发展。思维链中心的结果和脚本正被大语言模型领域的领先工业和学术机构所使用和参考。我们将任务分为三类:主要、实验性和长文本。
类别 | 数据集 | 描述 |
---|---|---|
主要 | GSM8K | 小学级数学应用题 |
主要 | MATH | 竞赛级数学和科学问题 |
主要 | MMLU | 多学科知识 |
主要 | BBH | 具有挑战性的语言和符号推理 |
主要 | HumanEval | Python编程 |
主要 | C-Eval | 中文多学科知识 |
实验性 | TheoremQA | 定理证明 |
实验性 | SummEdits | 事实推理 |
长文本 | Qspr | 基于研究论文的问答 |
长文本 | QALT | 基于长文章和故事的多选题 |
长文本 | BkSS | 小说片段摘要的重新排序 |
[征集贡献]:诚邀社区成员:
[2023年12月10日更新]:
基准测试 | Mistral 7B Dense | Mistral 7Bx8E=50B | Yi-34B | DeepSeek-67B | LLaMA2 70B |
---|---|---|---|---|---|
Arc-c | 59.98 | 66.38 | 64.59 | 65.44 | - |
HellaSwag | 83.31 | 86.61 | 85.69 | 87.10 | - |
MMLU | 64.16 | 71.73 | 76.35 | 71.78 | 68.9 |
TruthfulQA | 42.15 | 48.55 | 56.23 | 51.08 | 50.18 |
Winogrande | 78.37 | 82.40 | 83.03 | 84.14 | - |
GSM8K | 37.83 | 57.09 | 50.64 | 56.71 | 56.8 |
[2023年6月20日更新]:
[2023年6月9日更新]:为LLaMA和Falcon添加MMLU的评估脚本
[2023年6月1日更新]:添加SummEdits
[2023年5月27日更新]:添加TheoremQA,增加Vicuna、Alpaca、InstructCodeT5。
</details>模型 | 参数量 | 类型 | GSM8K | MATH | MMLU | BBH | HumanEval | C-Eval |
---|---|---|---|---|---|---|---|---|
Gemini Ultra | ? | 基础 | - | 53.2 | 83.7 | 83.6 | 74.4 | - |
gpt-4 | ? | RLHF | 92.0 | 42.5 | 86.4 | - | 67.0 | 68.7* |
claude-2 | ? | RLHF | 88 | - | 78.5 | - | 71.2 | - |
Gemini Pro | ? | 基础 | - | 32.6 | 71.8 | 75.0 | 67.7 | - |
claude-v1.3 | ? | RLHF | 81.8* | - | 75.6* | 67.3* | - | 54.2* |
PaLM-2-Unicorn | ? | 基础 | 80.7 | 34.3 | 78.3 | 78.1 | - | - |
Mistral MoE | 7Bx8E=46B | 基础 | 57.9 | - | 71.3 | - | - | - |
DeepSeek | 67B | 基础 | 56.7 | 18.7 | 71.7 | 68.7 | 42.7 | 66.1 |
Yi | 34B | 基础 | 50.6 | - | 76.3 | 54.3 | - | 81.4 |
gpt-3.5-turbo | ? | RLHF | 74.9* | - | 67.3* | 70.1* | 48.1 | 54.4* |
claude-instant | ? | RLHF | 70.8* | - | 61.3* | 66.9* | - | 45.9* |
text-davinci-003 | ? | RLHF | - | - | 64.6 | 70.7 | - | - |
code-davinci-002 | ? | 基础 | 66.6 | 19.1 | 64.5 | 73.7 | 47.0 | - |
text-davinci-002 | ? | SIFT | 55.4 | - | 60.0 | 67.2 | - | - |
Minerva | 540B | SIFT | 58.8 | 33.6 | - | - | - | - |
Flan-PaLM | 540B | SIFT | - | - | 70.9 | 66.3 | - | - |
Flan-U-PaLM | 540B | SIFT | - | - | 69.8 | 64.9 | - | - |
PaLM | 540B | 基础 | 56.9 | 8.8 | 62.9 | 62.0 | 26.2 | - |
LLaMA-2 | 70B | 基础 | 56.8 | - | 68.9 | 51.2 | 29.9 | - |
LLaMA | 65B | 基础 | 50.9 | 10.6 | 63.4 | - | 23.7 | 38.8* |
PaLM | 64B | 基础 | 52.4 | 4.4 | 49.0 | 42.3 | - | - |
Falcon | 40B | 基础 | - | - | 49.0* | - | - | - |
Vicuna | 33B | SIFT | - | - | 59.2 | - | - | - |
LLaMA | 33B | 基础 | 35.6 | 7.1 | 57.8 | - | 21.7 | - |
InstructCodeT5+ | 16B | SIFT | - | - | - | - | 35.0 | - |
StarCoder | 15B | 基础 | 8.4 | 15.1 | 33.9 | - | 33.6 | - |
Vicuna | 13B | SIFT | - | - | - | 52.1 | - | - |
LLaMA | 13B | 基础 | 17.8 | 3.9 | 46.9 | - | 15.8 | - |
Flan-T5 | 11B | SIFT | 16.1* | - | 48.6 | 41.4 | - | - |
Alpaca | 7B | SIFT | - | - | - | - | - | - |
LLaMA | 7B | 基础 | 11.0 | 2.9 | 35.1 | - | 10.5 | - |
Flan-T5 | 3B | SIFT | 13.5* | - | 45.5 | 35.2 | - | - |
我们称这些数据集为"主要"数据集,因为它们在主要机构的大语言模型开发中相当稳定且被广泛使用。基础指预训练检查点。SIFT指经过有监督指令微调后的检查点。RLHF指经过人类反馈强化学习后的检查点。带星号*的数字来自我们自己的运行结果,其他则来自多个来源,我们会在下面解释。所有方法都以准确率衡量,数值越高越好。
模型 | 参数数量 | 上下文长度 | 类型 | Qspr | QALT | BkSS |
---|---|---|---|---|---|---|
人类 | ? | ? | ? | 67.7 | 93.5 | ? |
gpt-4 | ? | 8K | RLHF | 50.7 | 89.2 | 60.5 |
claude-v1.3 | ? | 8K | RLHF | 52.3 | 84.8 | 47.4 |
claude-v1.3 | ? | 4K | RLHF | 47.7 | 76.8 | 37.6 |
PaLM-2-Unicorn | ? | - | 基础 | - | - | - |
PaLM-2-bison | ? | - | RLHF | - | - | - |
gpt-3.5-turbo | ? | 4K | RLHF | 49.3 | 66.6 | 49.8 |
claude-instant | ? | - | RLHF | - | - | - |
text-davinci-003 | ? | 4K | RLHF | 52.7 | 69.0 | 49.5 |
text-davinci-002 | ? | - | SIFT | - | - | - |
LLaMA | 65B | - | 基础 | - | - | - |
Falcon | 40B | - | 基础 | - | - | - |
Flan-UL2 | 20B | 8K | SIFT | 56.9 | 75.6 | 14.0 |
LLaMA | 33B | - | 基础 | - | - | - |
Vicuna | 13B | - | SIFT | - | - | - |
LLaMA | 13B | - | 基础 | - | - | - |
Flan-T5 | 11B | 8K | SIFT | 48.3 | 75.2 | 15.1 |
Flan-T5 | 11B | 4K | SIFT | 46.5 | 70.8 | 16.4 |
T0pp | 11B | 8K | SIFT | 25.0 | 21.4 | 0.0 |
Alpaca | 7B | - | SIFT | - | - | - |
LLaMA | 7B | - | 基础 | - | - | - |
Flan-T5 | 3B | 8K | SIFT | 46.6 | 69.6 | 2.2 |
generate()
函数复现了LLaMA在MMLU上的结果,我们的结果与官方数字非常匹配。更多详情请参见此处。cd MMLU mkdir outputs API_KEY=<your_api_key> # GPT-3.5-Turbo python run_mmlu_gpt_3.5_turbo.py --api_key=${API_KEY} # Claude-v1.3 python run_mmlu_claude.py --api_key=${API_KEY} --engine=claude-v1.3 # LLaMA LLAMA_CKPT_DIR=<模型检查点路径> PARAM_SIZE=65 # 7, 13, 33, 65 MODEL_TYPE=llama # ["llama", "falcon"] python run_mmlu_open_source.py --ckpt_dir ${LLAMA_CKPT_DIR} --param_size ${PARAM_SIZE} --model_type ${MODEL_TYPE}
cd gsm8k mkdir outputs # 运行gpt-3.5 # codex_gsm8k_complex.ipynb -- code-davinci-002 + 复杂提示 # gpt3.5turbo_gsm8k_complex.ipynb -- gpt-3.5-turbo + 复杂提示 # 运行claude python run_gsm8k_claude.py\ --anthropic_key=${API_KEY}\ --prompt_file=lib_prompt/prompt_original.txt\ --engine=claude-v1.3\ --output_file=outputs/gsm8k_claude_v1.3_original_test.txt # 运行FlanT5 # flan_t5_11b_gsm8k.ipynb
cd BBH mkdir outputs # 然后运行jupyter notebook查看企鹅数据集示例 cd penguins # gpt3.5trubo_penguins_original.ipynb # 或者运行脚本处理所有数据集 API_KEY=<your_api_key> TASK=<all | multiple_choice | free_form> python run_bbh_gpt_3.5_turbo.py --api_key=${API_KEY} --task=${TASK} # 默认task=all python run_bbh_claude_v1.3.py --api_key=${API_KEY} --model_index=claude-v1.3 --task=${TASK} # 默认task=all
research/complexity_based_prompting/
gsm8k/flan_t5_11b_gsm8k.ipynb
作为起点我们之前的博客文章中详细讨论了一个路线图。
总的来说,构建强大推理能力模型的方法与通用LLM相同:预训练、微调、强化学习。以下列出一些应该考虑的非 常重要的论文:
OpenAI Agents SDK,助力开发者便捷使用 OpenAI 相关功能。
openai-agents-python 是 OpenAI 推出的一款强大 Python SDK,它为开发者提供了与 OpenAI 模型交互的高效工具,支持工具调用、结果处理、追踪等功能,涵盖多种应用场景,如研究助手、财务研究等,能显著提升开发效率,让开发者更轻松地利用 OpenAI 的技术优势。
高分辨率纹理 3D 资产生成
Hunyuan3D-2 是腾讯开发的用于 3D 资产生成的强大工具,支持从文本描述、单张图片或多视角图片生成 3D 模型,具备快速形状生成能力,可生成带纹理的高质量 3D 模型,适用于多个领域,为 3D 创作提供了高效解决方案。
一个具备存储、管理和客户端操作等多种功能的分布式文件系统相关项目。
3FS 是一个功能强大的分布式文件系统项目,涵盖了存储引擎、元数据管理、客户端工具等多个模块。它支持 多种文件操作,如创建文件和目录、设置布局等,同时具备高效的事件循环、节点选择和协程池管理等特性。适用于需要大规模数据存储和管理的场景,能够提高系统的性能和可靠性,是分布式存储领域的优质解决方案。
用于可扩展和多功能 3D 生成的结构化 3D 潜在表示
TRELLIS 是一个专注于 3D 生成的项目,它利用结构化 3D 潜在表示技术,实现了可扩展且多功能的 3D 生成。项目提供了多种 3D 生成的方法和工具,包括文本到 3D、图像到 3D 等,并且支持多种输出格式,如 3D 高斯、辐射场和网格等。通过 TRELLIS,用户可以根据文本描述或图像输入快速生成高质量的 3D 资产,适用于游戏开发、动画制作、虚拟现实等多个领域。
10 节课教你开启构建 AI 代理所需的一切知识
AI Agents for Beginners 是一个专为初学者打造的课程项目,提供 10 节课程,涵盖构建 AI 代理的必备知识,支持多种语言,包含规划设计、工具使用、多代理等丰富内容,助您快速入门 AI 代理领域。
AI Excel全自动制表工具
AEE 在线 AI 全自动 Excel 编辑器,提供智能录入、自动公式、数据整理、图表生成等功能,高效处理 Excel 任务,提升办公效率。支持自动高亮数据、批量计算、不规则数据录入,适用于企业、教育、金融等多场景。
基于 UI-TARS 视觉语言模型的桌面应用,可通过自然语言控制计算机进行多模态操作。
UI-TARS-desktop 是一款功能强大的桌面应用,基于 UI-TARS(视觉语言模型)构建。它具备自然语言控制、截图与视觉识别、精确的鼠标键盘控制等功能,支持跨平台使用(Windows/MacOS),能提供实时反馈和状态显示,且数据完全本地处理,保障隐私安全。该应用集成了多种大语言模型和搜索方式,还可进行文件系统操作。适用于需要智能交互和自动化任务的场景,如信息检索、文件管理等。其提供了详细的文档,包括快速启动、部署、贡献指南和 SDK 使用说明等,方便开发者使用和扩展。
开源且先进的大规模视频生成模型项目
Wan2.1 是一个开源且先进的大规模视频生成模型项目,支持文本到图像、文本到视频、图像到视频等多种生成任务。它具备丰富的配置选项,可调整分辨率、扩散步数等参数,还能对提示词进行增强。使用了多种 先进技术和工具,在视频和图像生成领域具有广泛应用前景,适合研究人员和开发者使用。
全流程 AI 驱动的数据可视化工具,助力用户轻松创作高颜值图表
爱图表(aitubiao.com)就是AI图表,是由镝数科技推出的一款创新型智能数据可视化平台,专注于为用户提供便捷的图表生成、数据分析和报告撰写服务。爱图表是中国首个在图表场景接入DeepSeek的产品。通过接入前沿的DeepSeek系列AI模型,爱图表结合强大的数据处理能力与智能化功能,致力于帮助职场人士高效处理和表达数据,提升工作效率和报告质量。
一款强大的视觉语言模型,支持图像和视频输入
Qwen2.5-VL 是一款强大的视觉语言模型,支持图像和视频输入,可用于多种场景,如商品特点总结、图像文字识别等。项目提供了 OpenAI API 服务、Web UI 示例等部署方式,还包含了视觉处理工具,有助于开发者快速集成和使用,提升工作效率。
最新AI工具、AI资讯
独家AI资源、AI项目落地
微信扫一扫关注公众号