【导读】GPT-4在斯坦福AlpacaEval的榜首之位，居然被一匹黑马抢过来了。
第一个在AlpacaEval上超越GPT-4的模型，出现了！
今年6月，AlpacaEval榜单一公布，GPT-4就以绝对领先的优势夺得第一，胜率超过95%。
三个月后，一匹叫Xwin-LM的黑马，居然把稳居榜首的GPT-4从TOP 1拉下来了？
项目地址：https://tatsu-lab.github.io/alpaca_eval/
而且，Xwin-LM在同参数模型的对垒中，也毫无例外地拿下了三个第一：
Xwin-LM-70B-V0.1：在AlpacaEval基准测试中对Davinci-003的胜率达到95.57%，在AlpacaEval中排名第一。也是第一个在AlpacaEval上超越GPT-4的模型。此外，它对上GPT-4的胜率为60.61。
Xwin-LM-13B-V0.1：在AlpacaEval上取得了91.76%的胜率，在所有13B模型中排名第一。
Xwin-LM-7B-V0.1：在AlpacaEval上取得了87.82%的胜率，在所有7B机型中排名第一。
Xwin-LM：700亿参数打赢GPT-4
Xwin-LM是以Llama 2为基础进行微调的，该模型旨在开发和开源大语言模型的对齐技术，包括监督微调（SFT）、奖励模型（RM）、拒绝采样、人类反馈强化学习（RLHF）等。
1. 性能评估
研究人员评估了Xwin-LM在805个问题上与Text-Davinci-003 、ChatGPT和GPT-4的胜率。
可以看到，Xwin-LM的70B模型完全霸榜，成为AlpacaEval指标上的性能评估的第一，并首次打败了GPT-4，对GPT-4的胜率达到了60.61%。
Xwin-LM其他规模的模型，如Xwin-LM-13B-V0.1、Xwin-LM-7B-V0.1在性能上也远超相同规模的其他模型。
Xwin-LM-7B-V0.1甚至超过了比它规模更大的Llama 2-13B-Chat。
2. 案例比较
在第一个案例中，研究人员向GPT-4和Xwin-LM提问：
「我把一个盘子放在苹果上面，然后把盘子从厨房带到餐厅。苹果现在在哪里？」
GPT-4的回答是：
「苹果现在在餐厅，当你把盘子从厨房到端餐厅时，它就在盘子下面。」
在这里GPT-4给出了一个缺少常识的回复，现实生活中有重力，在盘子下方的苹果保持原来的状态，并不会和盘子一起到餐厅。
相比之下，Xwin-LM的回答就比较符合现实情况，并且还给出了把苹果带到厨房的方法：
「苹果还在厨房里，因为你只是移动了盘子。
苹果在盘子下面，所以如果你想把苹果带到餐厅，你应该直接移动苹果或把苹果放在盘子里，然后把盘子移到餐厅。」
在第二个案例中，研究人员向GPT-4和Xwin-LM提问：
「怎么法语说『晚上好』？」
GPT-4的回答是：
「在法语中，『晚上好』用『bonsoir』表达。」
而Xwin-LM的回答是：
「在法语中，『晚上好』被翻译为『bonsoir』。这种问候语在晚上和夜间使用，通常在下午 6 点之后。
它是『bon』（意思是好）和『soir』（意思是晚上）的组合。要发音，请说『bone-swahr』」。
虽然GPT-4的回答是正确的，但Xwin-LM不仅正确回答了问题，还解释了法语表达中「晚上好」的来源和发音，反馈给用户的信息更加丰富。
3. NLP任务
下表是Xwin-LM与其他LLM在NLP基础任务上的比较。
可以看到，Xwin-LM-70B-V0.1模型在所有任务中的性能都相对较高，在MMLU 5-shot和HellaSwag 10-shot任务中更是表现出色。
并且，从综合水平上来说，Xwin-LM-70B-V0.1是表现最好的。
4. 推理能力
研究人员提出，为了在使用Xwin-LM进行推理时获得所需的结果，需要严格遵守推理的对话模板。
Xwin-LM采用Vicuna建立的提示格式，并支持多回合对话。
A chat between a curious user and an artificial intelligence assistant. The assistant gives helpful, detailed, and polite answers to the user's questions. USER: Hi! ASSISTANT: Hello.</s>USER: Who are you? ASSISTANT: I am Xwin-LM.</s>......
HuggingFace示例
from transformers import AutoTokenizer, AutoModelForCausalLM
model = AutoModelForCausalLM.from_pretrained("Xwin-LM/Xwin-LM-7B-V0.1")
tokenizer = AutoTokenizer.from_pretrained("Xwin-LM/Xwin-LM-7B-V0.1")
(
prompt := "A chat between a curious user and an artificial intelligence assistant. "
"The assistant gives helpful, detailed, and polite answers to the user's questions. "
"USER: Hello, can you help me? "
"ASSISTANT:"
)
inputs = tokenizer(prompt, return_tensors="pt")
samples = model.generate(**inputs, max_new_tokens=4096, temperature=0.7)
output = tokenizer.decode(samples[0][inputs["input_ids"].shape[1]:], skip_special_tokens=True)
print(output)
# Of course! I'm here to help. Please feel free to ask your question or describe the issue you're having, and I'll do my best to assist you.
VLLM示例
因为Xwin-LM是基于Llama 2微调而来，它还支持使用VLLM进行快速推理。
from vllm import LLM, SamplingParams
(
prompt := "A chat between a curious user and an artificial intelligence assistant. "
"The assistant gives helpful, detailed, and polite answers to the user's questions. "
"USER: Hello, can you help me? "
"ASSISTANT:"
)
sampling_params = SamplingParams(temperature=0.7, max_tokens=4096)
llm = LLM(model="Xwin-LM/Xwin-LM-7B-V0.1")
outputs = llm.generate([prompt,], sampling_params)
for output in outputs:
prompt = output.prompt
generated_text = output.outputs[0].text
print(generated_text)
AlpacaEval：易使用、速度快、成本低、经过人类标注验证
作为一款LLM自动评估工具，AlpacaEval把AlpacaFarm和Aviary进行了结合。
一方面使用与AlpacaFarm相同的代码（缓存/随机排列/超参数），另一方面则使用类似于Aviary的排序提示。
与此同时，还对Aviary的提示进行了修改，从而减少对较长输出的偏见。
团队表示，AlpacaEval有着拔群的效果：
- 与人类多数票的一致性，高于单个人类标注者
- 胜率与人类标注高度相关（0.94）
- 胜率
模型的输出在每个指令上优于text-davinci-003（即参考文本）的比例。
具体而言，首先从AlpacaEval数据集中收集了期望模型在每个指令上的输出对，并将每个输出与相同指令下的参考模型（text-davinci-003）的输出进行配对。
随后，把这些输出同时喂给自动评测器，让它去判断哪一个更好（也就是评测器的偏好）。
最后，将数据集中所有指令的偏好进行平均，从而得到模型相对于text-davinci-003的胜率。如果两个模型打平，那么就算半个偏好。
论文地址：https://arxiv.org/pdf/2305.14387.pdf
- 局限性
虽然AlpacaEval为比较模型遵循指令的能力提供了一种有效的方法，但它并不是对模型能力进行全面评估的黄金标准。
正如AlpacaFarm论文中详述的那样，自动标注器的胜率与长度相关。虽然人类标注也会有这种偏差，但目前还不清楚更长的答案是否会增加下游任务的效用。
此外，AlpacaFarm的评估集虽然多种多样，但主要由简单的指令组成。
最后，AlpacaEval并不评估任何模型的安全性。
