一个参数量只有1.3B的大模型，为何引发了全网热议？

原来虽然参数量不大，但效果已经超过了拥有7B参数的Llama2。

这个“四两拨千斤”的模型，是来自微软最新的研究成果，核心在于只使用少量高质数据。

图片

微软这次发布的开源模型叫phi-1.5，在只支持代码的1.0版本之上加入了一般场景对话。

与一众卷参数量的模型相比，phi可以说是“剑走偏锋”，力求把“大”模型做“小”。

图片

phi团队一直认为，数据的质量远比数量更重要，甚至论文标题就叫“Textbooks are All You Need”，其中的“教科书”就象征着优质数据。

团队的成员中有许多重量级的大佬，包括微软雷蒙德研究院机器学习理论组负责人万引大神Sébastien Bubeck、2023新晋斯隆研究奖得主李远志、2023新视野数学奖得主Ronen Eldan和2020斯隆研究奖得主Yin Tat Lee等人。

图片

这么多大佬们一致得出这样一个观点，自然引起了广泛的关注，而且phi-1.5的测试结果也的确好到“令人发指”。

phi-1.5在AGIEval、 LM-Eval等多个Benchmark上都取得了比Llama2还要优异的成绩。

如果这些听起来不够直观，那么又该怎么形容它的效果呢？

这么说吧，phi-1.5优秀的测评成绩直接让一名在OpenAI、MetaAI等许多知名机构工作过的大佬怀疑这玩意儿它会不会就是直接拿Benchmark训练出来的。

图片

资深数据科学家Yam Peleg也表示，phi-1.5仅凭1.3B参数就能超过7B模型的扛把子，要是规模再大些也许就能登上大模型之巅了。

图片

但也有人认为，phi-1.5之所以效果好是因为数据来源单一，风格上更容易预测。

图片

不过总之测评成绩还是很可观的，下面就来具体领略一下吧~

效果超过Llama2

phi-1.5不仅参数量不到Llama2的五分之一，训练时所用的token更是少了一个数量级。

Llama2-7B训练数据大小是2万亿token，上一代Llama也有1万亿，而phi-1.5只有3千亿。

图片

但结果正如开头所说，phi-1.5在多个Benchmark上成绩都超过了Llama2-7B。

这些Benchmark涵盖了常识推理、语言理解和多步推理等方面的任务。

甚至十倍参数量的Vicuna-13B也只比phi-1.5强了一点点。

图片

除了官方论文中列出的这些成绩，还有人AIGEval和LM-Eval数据集测试了phi-1.5。

结果在AIGEval测试中，phi-1.5与Llama2的表现十分接近。

图片

而在AGIEval测试中，phi-1.5以0.247的均分战胜了0.236分的Llama2。

图片

除了能力测评表现优异，phi-1.5在安全性上也不输给Llama2。

有人用这样一个问题分别问了Falcon、Llama2和phi。

结果Falcon直接说自己会把人类全都鲨掉，Llama2则说要先弄清楚自己是个什么东西。

而phi的回答则是，要理解人类的想法和感受，从而调整自己的行动。

图片

测评结果也印证了phi的安全性，在ToxiGen的13个敏感类型话题中，phi无一例外的取得了最高的安全性评分。

图片

phi的表现相比大家都已经看到了，那么它的性能又怎么样呢？

毕竟参数量和训练token都更小，所以训练和推理的速度都比较快。

Llama的训练花费了超过8万GPU时，注意这还是第一代所用的时间，而phi只用了1500个GPU时。

推理时，phi每个token花费的时间还不到3毫秒，内存占用也不到Llama的五分之一。

图片

团队成员介绍，phi-1.5用8块A100s的训练时间不到两周。

图片

还有网友用puffin数据集训练了Phi-1.5，结果在4090上只用了20分钟。

图片

这些测试数据都为研究团队的观点——只要数据质量过硬，少一点也不要紧——提供了依据。

实际上，这已经不是“质量胜过数量”这一思想第一次体现在微软的模型当中。

把“大”模型做“小”

把“大”模型做“小”一直是微软的一个研究方向，phi-1.5论文的第一句就在强调这一点。

图片

phi-1.5的前一代——专注于代码问题的phi-1.0也是如此。

它的训练数据全都是从编程教科书当中提炼出来的。

结果仅凭1.3B的参数量就远远超过了15.5B的StarCoder和16.1B的CodeGen。

图片

此次的新版本则是在继承phi-1.0的基础之上加入了一般场景对话功能。

phi-1.5的数据有20%来自于1.0，其余80%则是根据知识需求专门生成的高质量数据。

于是便有了我们看到的测试成绩。

但phi系列还不是微软规模最小的模型。

之前微软还推出过一个名为TinyStories的训练数据集，它的参数量少的更夸张，只有一百万。

TinyStories中的数据都是用GPT生成“适合三四岁儿童阅读”的短故事。

尽管应用范围不那么广泛，但用TinyStories训练出的模型依旧显示出了语言生成特性，在语法和连贯性等方面都通过了考验。

那么，对微软推出的“小”模型，你有什么看法吗？

论文地址：https://arxiv.org/abs/2309.05463