前段時間，初出茅廬的獵鷹（Falcon）在LLM排行榜碾壓LLaMA，在整個社區(qū)激起千層浪。

但是，獵鷹真的比LLaMA好嗎？

簡短回答：可能不是。

符堯團隊對模型做了更深入的測評：

「我們在MMLU上復現(xiàn)了LLaMA 65B的評估，得到了61.4的分數(shù)，接近官方分數(shù)（63.4），遠高于其在Open LLM Leaderboard上的分數(shù)（48.8），而且明顯高于獵鷹（52.7）。」

沒有花哨的提示工程，沒有花哨的解碼，一切都是默認設置。

目前，Github上已經(jīng)公開了代碼和測試方法。

對于獵鷹超越LLaMA存疑，LeCun表態(tài)，測試腳本的問題...

LLaMA真·實力

目前在OpenLLM排行榜上，F(xiàn)alcon位列第一，超過了LLaMA，得到了包括Thomas Wolf在內(nèi)的研究人員的力薦。

然而，有些人對此表示疑慮。

先是一位網(wǎng)友質(zhì)疑，LLaMA這些數(shù)字從哪來，看起來與論文數(shù)字不一致...

隨后，OpenAI科學家Andrej Karpathy也對LLaMA 65B為什么在Open LLM排行榜上的分數(shù)明顯低于官方（48.8 v.s. 63.4）表示關注。

并發(fā)文，到目前為止，我一直避免在推特上發(fā)表關于獵鷹的文章，因為這一點，不確定。

為了弄清楚這個問題，符堯和團隊成員決定對LLaMA 65B進行一次公開的測試，結(jié)果得到61.4分。

在測試中，研究者沒有使用任何特殊機制，LLaMA 65B就能拿到這個分數(shù)。

這一結(jié)果恰恰證明了，如果想要模型實現(xiàn)接近GPT-3.5的水平，最好是在LLaMA 65B上使用RLHF。

根據(jù)就是，近來符堯團隊發(fā)表的一篇Chain-of-Thought Hub論文的發(fā)現(xiàn)。

當然，符堯表示，他們這一測評并非想要引起LLaMA和Falcon之間的爭端，畢竟這些都是偉大的開源模型，都為這個領域做出了重大的貢獻！

另外，F(xiàn)alcon還有更加方便的使用許可，這也讓它有很大的發(fā)展?jié)摿Α?/span>

對于這一最新測評，網(wǎng)友BlancheMinerva指出，公平的比較應該在默認設置下運行獵鷹（Falcon）在MMLU上。

對此，符堯稱這是正確的，并正進行這項工作，預計在一天后可以得到結(jié)果。

不管最終的結(jié)果怎樣，要知道GPT-4這座山峰才是開源社區(qū)真正想要追求的目標。

OpenLLM排行榜問題

來自Meta的研究人員稱贊，符堯很好地再現(xiàn)了LLaMa的結(jié)果，并指出了OpenLLM排行榜的問題。

與此同時，他還分享了關于OpenLLM排行榜的一些問題。

首先，MMLU的結(jié)果：LLaMa 65B MMLU結(jié)果在排行榜上是15分，但對7B模型來說是一樣的。13B、30B模型也存在較小的性能差距。

OpenLLM真的需要在公布哪個模型是最好的之前看看這個。

基準：這些基準是如何選擇的？

ARC 25 shot和Hellaswag 10 shot似乎與LLM并不特別相關。如果能在其中加入一些生成式基準就更好了。雖然生成式基準有其局限性，但它們?nèi)匀皇怯杏玫摹?/span>

單一平均分：將結(jié)果減少到單一分數(shù)總是很吸引人的，平均分是最容易的。

但在這種情況下，4個基準的平均值真的有用嗎？在MMLU上獲得1分和在HellaSwag上獲得1分是一樣的嗎？

在LLM快速迭代的世界里，開發(fā)這樣一個排行榜肯定有一定的價值。

還有來自谷歌研究人員Lucas Beyer也發(fā)表了自己的觀點，

瘋狂的是，NLP研究人員對同一個基準有不同的理解，因此導致了完全不同的結(jié)果。同時，每當我的同事實現(xiàn)一個指標時，我都會立即問他們是否真的檢查將官方代碼的完美重現(xiàn)，如果沒有，就放棄他們的結(jié)果。

另外，他還表示，據(jù)我所知，無論模型如何，它實際上都不會重現(xiàn)原始基準測試的結(jié)果。

網(wǎng)友附和道，這就是LLM基準的現(xiàn)實...

Falcon——開源、可商用、性能強

說到Falcon，其實值得我們再好好回顧一下。

按LeCun的說法，大模型時代，開源最重要。

而在Meta的LLaMA代碼遭泄之后，各路開發(fā)者都開始躍躍欲試。

Falcon正是由阿聯(lián)酋阿布扎比的技術(shù)創(chuàng)新研究所（TII）開發(fā)的一支奇兵。

剛發(fā)布時從性能上看，F(xiàn)alcon比LLaMA的表現(xiàn)更好。

目前，「Falcon」有三個版本——1B、7B和40B。

TII表示，F(xiàn)alcon迄今為止最強大的開源語言模型。其最大的版本，F(xiàn)alcon 40B，擁有400億參數(shù)，相對于擁有650億參數(shù)的LLaMA來說，規(guī)模上還是小了一點。

不過，此前TII曾表示，別看咱Falcon規(guī)模雖小，性能卻很能打。

先進技術(shù)研究委員會(ATRC)秘書長Faisal Al Bannai認為，「Falcon」的發(fā)布將打破LLM的獲取方式，并讓研究人員和創(chuàng)業(yè)者能夠以此提出最具創(chuàng)新性的使用案例。

FalconLM的兩個版本，F(xiàn)alcon 40B Instruct和Falcon 40B在Hugging Face OpenLLM排行榜上位列前兩名，而Meta的LLaMA則位于第三。

而前文所講的有關排行榜的問題也正是這個。

盡管「Falcon」的論文目前還沒公開發(fā)布，但Falcon 40B已經(jīng)在經(jīng)過精心篩選的1萬億token網(wǎng)絡數(shù)據(jù)集的上進行了大量訓練。

研究人員曾透露，「Falcon」在訓練過程非常重視在大規(guī)模數(shù)據(jù)上實現(xiàn)高性能的重要性。

我們都知道的是，LLM對訓練數(shù)據(jù)的質(zhì)量非常敏感，這就是為什么研究人員會花大量的精力構(gòu)建一個能夠在數(shù)萬個CPU核心上進行高效處理的數(shù)據(jù)管道。

目的就是，在過濾和去重的基礎上從網(wǎng)絡中提取高質(zhì)量的內(nèi)容。

目前，TII已經(jīng)發(fā)布了精煉的網(wǎng)絡數(shù)據(jù)集，這是一個經(jīng)過精心過濾和去重的數(shù)據(jù)集。實踐證明，非常有效。

僅用這個數(shù)據(jù)集訓練的模型可以和其它LLM打個平手，甚至在性能上超過他們。這展示出了「Falcon」卓越的質(zhì)量和影響力。

此外，F(xiàn)alcon模型也具有多語言的能力。

它理解英語、德語、西班牙語和法語，并且在荷蘭語、意大利語、羅馬尼亞語、葡萄牙語、捷克語、波蘭語和瑞典語等一些歐洲小語種上也懂得不少。

Falcon 40B還是繼H2O.ai模型發(fā)布后，第二個真正開源的模型。

另外，還有一點非常重要——Falcon是目前唯一的可以免費商用的開源模型。

在早期，TII要求，商業(yè)用途使用Falcon，如果產(chǎn)生了超過100萬美元以上的可歸因收入，將會收取10%的「使用稅」。

可是財大氣粗的中東土豪們沒過多長時間就取消了這個限制。

至少到目前為止，所有對Falcon的商業(yè)化使用和微調(diào)都不會收取任何費用。

土豪們表示，現(xiàn)在暫時不需要通過這個模型掙錢。

而且，TII還在全球征集商用化方案。

對于有潛力的科研和商業(yè)化方案，他們還會提供更多的「訓練算力支持」，或者提供進一步的商業(yè)化機會。

這簡直就是在說：只要項目好，模型免費用！算力管夠！錢不夠我們還能給你湊！

對于初創(chuàng)企業(yè)來說，這簡直就是來自中東土豪的「AI大模型創(chuàng)業(yè)一站式解決方案」。

根據(jù)開發(fā)團隊稱，F(xiàn)alconLM 競爭優(yōu)勢的一個重要方面是訓練數(shù)據(jù)的選擇。

研究團隊開發(fā)了一個從公共爬網(wǎng)數(shù)據(jù)集中提取高質(zhì)量數(shù)據(jù)并刪除重復數(shù)據(jù)的流程。

在徹底清理多余重復內(nèi)容后，保留了 5 萬億的token——足以訓練強大的語言模型。

40B的Falcon LM使用1萬億個token進行訓練， 7B版本的模型訓練token達到 1.5 萬億。

（研究團隊的目標是使用RefinedWeb數(shù)據(jù)集從Common Crawl中僅過濾出質(zhì)量最高的原始數(shù)據(jù)）

此外，F(xiàn)alcon的訓練成本相對來說更加可控。

TII稱，與GPT-3相比，F(xiàn)alcon在只使用75%的訓練計算預算的情況下，就實現(xiàn)了顯著的性能提升。

而且在推斷（Inference）時只需要只需要20%的計算時間，成功實現(xiàn)了計算資源的高效利用。