最好7B模型再易主！ 打敗700億LLaMA2，蘋果電腦就能跑|開源免費

原文來源：量子位

圖片來源：由無界 AI生成

花500刀「調教」的70億參數模型，打敗700億參數的Llama 2！

且筆記本就能輕鬆跑，效果媲美ChatGPT。

重點：免費、不要錢。

HuggingFace H4團隊打造的開源模型Zephyr-7B，鯊瘋了。

其底層模型是前段時間爆火、由有著「歐洲OpenAI」之稱的Mistral AI打造的開源大模型Mistral-7B。

要知道，Mistral-7B發佈不到2周，各種微調版本相繼現世，大有Llama剛發佈時迅速出現各種“羊駝”之風。

而Zephyr能夠在各變種中脫穎而出，關鍵是團隊在Mistral的基礎上，使用直接偏好優化（DPO）在公開數據集上微調了模型。

團隊還發現，刪除數據集的內置對齊，可以進一步提高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是評估模型處理多輪對話能力的基準測試，問題集涵蓋寫作、角色扮演、提取等8個類別。

關鍵是，它接著又升級了！

H4團隊推出二代Zephyr-7B-beta。 他們補充道，探索了從GPT-4、Claude 2中提取對齊性，然後將其注入小模型中的想法，開發出了將蒸餾直接偏好優化（dDPO）用於小模型的方法。

二代Zephyr，MT-Bench平均得分升高至7.34。

在Alpaca上，Zephyr勝率為90.6%，優於ChatGPT（3.5）：

趕來的網友們對Zephyr給予了一致好評，lmsys團隊還亮出了Zephyr-7b-beta的Elo評分，目前已飆升得很高🔥：

內部的Arena排行榜上已超過13B模型。

甚至有人表示：

在實際應用中看到DPO方法表現很好，可能是今年大語言模型發展中最令人興奮的事情。

更多網友紛紛上手測試Zephyr效果，結果都出奇的好。

Mistral這個單詞在法語里代表一種乾燥、寒冷且強勁的風，而Zephyr意思則是溫和、宜人的西風。

Llama那邊是動物園，這邊是氣象局無疑了。

最好的7B模型再易主

先來說運行Zephyr對電腦配置的要求。 網友實測後表示「泰褲辣」！ ，筆記本（Apple M1 Pro）就夠用，“結果非常好”。

效果方面，Llama Index（此前名為GPT Index）團隊也進行了測試。

結果發現，Zephyr是目前唯一一個在高級RAG/agentic任務上表現良好的開源7B模型。

數據也顯示，Zephyr高級RAG任務效果可以和GPT-3.5、Claude 2相抗衡。

他們還繼續補充道，Zephyr不僅在RAG上效果突出，而且在路由、查詢規劃、檢索複雜SQL語句、結構化數據提取方面也表現良好。

官方也給出了測試結果，在MT-Bench上，Zephyr-7B-beta與Llama2-Chat-70B等較大的模型相比具有強大的性能。

但在編碼和數學等更複雜的任務上，Zephyr-7B-beta落後於專有模型，需要更多的研究來縮小差距。

捨棄強化學習

大家都在紛紛測試Zephyr的效果，開發人員卻表示，最有趣的不是各項指標，而是模型的訓練方式。

亮點總結如下：

• 微調最好的小型開源預訓練模型：Mistral 7B
• 大規模偏好數據集的用法：UltraFeedback
• 不用強化學習，使用直接偏好優化（DPO）
• 意料之外的是，偏好數據集的過擬合會產生更好的效果

展開來說，正如開頭所提到的，Zephyr的效果之所以能夠超越70B的Llama 2，主要是因為使用了特殊的微調方法。

與傳統的PPO強化學習方法不同，研究團隊使用了斯坦福大學和CZ Biohub不久前合作提出DPO方法。

研究人員表示：

DPO要比PPO穩定得多。

DPO簡單來講可以這樣解釋：

要想使模型的輸出更加符合人類偏好，一直以來傳統方法是用一個獎勵模型來微調目標模型。 輸出得好給獎勵，輸出不好不給獎勵。

而DPO的方法繞過了建模獎勵函數，相當於直接在偏好數據上優化模型。

總的來說，DPO解決了人類反饋的強化學習訓練難、訓練成本高的問題。

具體到Zephyr的訓練上，研究團隊最初是在UltraChat數據集精簡后的變種上對Zephyr-7B-alpha進行了微調，這個數據集包含了ChatGPT生成的160萬個對話（精簡后剩下約20萬個）。

（之所以要精簡過濾，是因為團隊發現Zephyr有時大小寫寫不對，比如“Hi. how are you?”； 有時會以“I don't have personal X”為開頭進行回應。 ）

之後，他們又通過TRL的DPO Trainer方法，用公開的openbmb/UltraFeedback數據集進一步對齊了該模型。

數據集中包含了64000個來自各種模型的提示-回應對。 每個回應都由GPT-4根據有用性等標準進行排名，並賦予一個得分，從中推出AI偏好。

一個有趣的發現是，在用DPO的方法時，隨著訓練時間增加，過擬合后，效果居然更好了。 研究人員認為這類似於SFT中的過擬合。

值得一提的是，研究團隊還介紹，用這種方法微調模型，成本只需500美元，也就是在16個A100上跑8小時。

在升級Zephyr為Beta版本時，團隊又繼續解釋了他們的方法。

他們思考了大模型所用的蒸餾監督微調（dSFT），但用這種方法模型是不對齊的，不能很好地生成符合使用者意圖的輸出。

所以團隊嘗試使用來自AI反饋（AI Feedback，AIF）的偏好數據，用一個「教師模型」對輸出進行排名，形成一個數據集，然後應用蒸餾直接偏好優化（dDPO）來訓練一個與使用者意圖對齊的模型，且在微調期間不需要任何額外的抽樣。

研究人員還測試了不用SFT時的效果，結果性能大大降低，說明dSFT步驟至關重要。

目前模型除了已開源可商用，還有Demo可試玩，我們這就上手簡單體驗了一把。

Demo試玩體驗

首先就不得不搬出「弱智吧」問題來考一考了。

在“爸媽結婚不帶我”這個問題上，Zephyr總體回答較為準確。

ChatGPT在這道題目上，屬實打不過。

在測試中我們還發現Zephyr對OpenAI發佈GPT-4等近期的事也知道：

這其實與其底層模型有關，Mistral官方雖然沒有具體說明訓練數據截止日期。

但之前就有網友測試過，今年三月份的事它也知道。

相比之下Llama 2的預訓練數據截止到2022年9月，只有部分微調數據最多到2023年6月。

此外，Zephyr的回應速度也非常快，寫代碼、編故事都不在話下。 ：

值得一提的是，Zephyr更擅長用英文回答問題，也會出現“幻覺”這一模型通病。

研究人員也有提到幻覺問題，輸入框的下方也標有一行小字，指明該模型生成的內容可能不準確或錯誤。

關鍵是因為Zephyr沒有用到人類反饋強化學習這樣的方法與人類偏好對齊，也沒有採用ChatGPT的回應過濾方式。

emmm魚和熊掌總要選一個。

Zephyr只有70B參數就能做到這樣的效果，讓《100頁的機器學習書》作者Andriy Burkov也很吃驚，甚至表示：

Zephyr-7B戰勝Llama 2-70B，用的基礎模型是上下文視窗為8k token的Mistral-7B，理論上它的注意力範圍可高達128K tokens。
如果Zephyr是一個70B模型會怎樣呢？ 它會勝過GPT-4嗎？ 看起來很可能。

如果你對Zephyr-7B感興趣，可在huggingface試玩。

論文連結：

參考連結：
[1]
[2]
[3]
[4]
[5]