最好7B模型再易主！打败700亿LLaMA2，苹果电脑就能跑｜开源免费

西风 发自 凹非寺
量子位 | 公众号 QbitAI

花500刀“调教”的70亿参数模型，打败700亿参数的Llama 2！

且笔记本就能轻松跑，效果媲美ChatGPT。

重点：免费、不要钱。

HuggingFace H4团队打造的开源模型Zephyr-7B，鲨疯了。

其底层模型是前段时间爆火、由有着“欧洲OpenAI”之称的Mistral AI打造的开源大模型Mistral-7B。

要知道，Mistral-7B发布不到2周，各种微调版本相继现世，大有Llama刚发布时迅速出现各种“羊驼”之风。

而Zephyr能够在各变种中脱颖而出，关键是团队在Mistral的基础上，使用直接偏好优化（DPO）在公开数据集上微调了模型。

团队还发现，删除数据集的内置对齐，可以进一步提高MT Bench性能。初代Zephyr-7B-alpha的MT-Bench平均得分7.09 ，超越Llama2-70B-Chat。

△MT-Bench是评估模型处理多轮对话能力的基准测试，问题集涵盖写作、角色扮演、提取等8个类别。

关键是，它接着又升级了！

H4团队推出二代Zephyr-7B-beta。他们补充道，探索了从GPT-4、Claude 2中提取对齐性，然后将其注入小模型中的想法，开发出了将蒸馏直接偏好优化（dDPO）用于小模型的方法。

二代Zephyr，MT-Bench平均得分升高至7.34。

在AlpacaEval上，Zephyr胜率为90.6%，优于ChatGPT（3.5）：

赶来的网友们对Zephyr给予了一致好评，lmsys团队还亮出了Zephyr-7b-beta的Elo评分，目前已飙升得很高🔥：

内部的Arena排行榜上已超过13B模型。

甚至有人表示：

在实际应用中看到DPO方法表现很好，可能是今年大语言模型发展中最令人兴奋的事情。

更多网友纷纷上手测试Zephyr效果，结果都出奇的好。

Mistral这个单词在法语里代表一种干燥、寒冷且强劲的风，而Zephyr意思则是温和、宜人的西风。

Llama那边是动物园，这边是气象局无疑了。

最好的7B模型再易主

先来说运行Zephyr对电脑配置的要求。网友实测后表示“泰裤辣”！，笔记本（Apple M1 Pro）就够用，“结果非常好”。

效果方面，Llama Index（此前名为GPT Index）团队也进行了测试。

结果发现，Zephyr是目前唯一一个在高级RAG/agentic任务上表现良好的开源7B模型。

数据也显示，Zephyr高级RAG任务效果可以和GPT-3.5、Claude 2相抗衡。

他们还继续补充道，Zephyr不仅在RAG上效果突出，而且在路由、查询规划、检索复杂SQL语句、结构化数据提取方面也表现良好。

官方也给出了测试结果，在MT-Bench上，Zephyr-7B-beta与Llama2-Chat-70B等较大的模型相比具有强大的性能。

但在编码和数学等更复杂的任务上，Zephyr-7B-beta落后于专有模型，需要更多的研究来缩小差距。

舍弃强化学习

大家都在纷纷测试Zephyr的效果，开发人员却表示，最有趣的不是各项指标，而是模型的训练方式。

亮点总结如下：

• 微调最好的小型开源预训练模型：Mistral 7B

• 大规模偏好数据集的用法：UltraFeedback

• 不用强化学习，使用直接偏好优化（DPO）

• 意料之外的是，偏好数据集的过拟合会产生更好的效果

展开来说，正如开头所提到的，Zephyr的效果之所以能够超越70B的Llama 2，主要是因为使用了特殊的微调方法。

与传统的PPO强化学习方法不同，研究团队使用了斯坦福大学和CZ Biohub不久前合作提出DPO方法。

研究人员表示：

DPO要比PPO稳定得多。

DPO简单来讲可以这样解释：

要想使模型的输出更加符合人类偏好，一直以来传统方法是用一个奖励模型来微调目标模型。输出得好给奖励，输出不好不给奖励。

而DPO的方法绕过了建模奖励函数，相当于直接在偏好数据上优化模型。

总的来说，DPO解决了人类反馈的强化学习训练难、训练成本高的问题。

具体到Zephyr的训练上，研究团队最初是在UltraChat数据集精简后的变种上对Zephyr-7B-alpha进行了微调，这个数据集包含了ChatGPT生成的160万个对话（精简后剩下约20万个）。

（之所以要精简过滤，是因为团队发现Zephyr有时大小写写不对，比如“Hi. how are you?”；有时会以“I don’t have personal X”为开头进行回应。）

之后，他们又通过TRL的DPO Trainer方法，用公开的openbmb/UltraFeedback数据集进一步对齐了该模型。

数据集中包含了64000个来自各种模型的提示-响应对。每个响应都由GPT-4根据有用性等标准进行排名，并赋予一个得分，从中推出AI偏好。

一个有趣的发现是，在用DPO的方法时，随着训练时间增加，过拟合后，效果居然更好了。研究人员认为这类似于SFT中的过拟合。

值得一提的是，研究团队还介绍，用这种方法微调模型，成本只需500美元，也就是在16个A100上跑8小时。

在升级Zephyr为beta版本时，团队又继续解释了他们的方法。

他们思考了大模型所用的蒸馏监督微调（dSFT），但用这种方法模型是不对齐的，不能很好地生成符合用户意图的输出。

所以团队尝试使用来自AI反馈（AI Feedback，AIF）的偏好数据，用一个“教师模型”对输出进行排名，形成一个数据集，然后应用蒸馏直接偏好优化（dDPO）来训练一个与用户意图对齐的模型，且在微调期间不需要任何额外的抽样。

研究人员还测试了不用SFT时的效果，结果性能大大降低，说明dSFT步骤至关重要。

目前模型除了已开源可商用，还有Demo可试玩，我们这就上手简单体验了一把。

Demo试玩体验

首先就不得不搬出“弱智吧”问题来考一考了。

在“爸妈结婚不带我”这个问题上，Zephyr总体回答较为准确。

ChatGPT在这道题目上，属实打不过。

在测试中我们还发现Zephyr对OpenAI发布GPT-4等近期的事也知道：

这其实与其底层模型有关，Mistral官方虽然没有具体说明训练数据截止日期。

但之前就有网友测试过，今年三月份的事它也知道。

相比之下Llama 2的预训练数据截止到2022年9月，只有部分微调数据最多到2023年6月。

此外，Zephyr的响应速度也非常快，写代码、编故事都不在话下。：

值得一提的是，Zephyr更擅长用英文回答问题，也会出现“幻觉”这一模型通病。

研究人员也有提到幻觉问题，输入框的下方也标有一行小字，指明该模型生成的内容可能不准确或错误。

关键是因为Zephyr没有用到人类反馈强化学习这样的方法与人类偏好对齐，也没有采用ChatGPT的回应过滤方式。

emmm鱼和熊掌总要选一个。

Zephyr只有70B参数就能做到这样的效果，让《100页的机器学习书》作者Andriy Burkov也很吃惊，甚至表示：

Zephyr-7B战胜Llama 2-70B，用的基础模型是上下文窗口为8k token的Mistral-7B，理论上它的注意力范围可高达128K tokens。

如果Zephyr是一个70B模型会怎样呢？它会胜过GPT-4吗？看起来很可能。

如果你对Zephyr-7B感兴趣，可在huggingface试玩。

https://huggingface.co/spaces/HuggingFaceH4/zephyr-chat

论文链接：https://arxiv.org/abs/2310.16944

参考链接：
[1]https://x.com/lmsysorg/status/1717822914349945187?s=20
[2]https://x.com/srush_nlp/status/1717719545702437084?s=20
[3]https://x.com/_philschmid/status/1717804197813551401?s=20
[4]https://x.com/NiranjanAkella/status/1713083277937152492?s=20
[5]https://x.com/_lewtun/status/1717816585786626550?s=20

— 完 —

「量子位2023人工智能年度评选」开始啦！

今年，量子位2023人工智能年度评选从企业、人物、产品/解决方案三大维度设立了5类奖项！欢迎扫码报名 

MEET 2024大会已启动！点此了解详情。

点这里👇关注我，记得标星哦～

一键三连「分享」、「点赞」和「在看」

科技前沿进展日日相见 ~