擊敗ChatGPT？OpenChat霸榜斯坦福AlpacaEval開源榜首，性能高達(dá)105.7%

作者：新智元 2023-07-03 13:23:47

人工智能

最能打的開源模型來了？OpenLLM在最新評測中，一舉擊敗ChatGPT。

一夜之間，全新開源模型「OpenLLM」擊敗ChatGPT的消息，在網(wǎng)上引起軒然大波。

根據(jù)官方的介紹，OpenLLM：

- 在斯坦福AlpacaEval上，以80.9%的勝率位列開源模型第一

- 在Vicuna GPT-4評測中，性能則達(dá)到了ChatGPT的105.7%

圖片

最重要的是，如此卓越的性能，只需要6K的GPT-4對話數(shù)據(jù)進(jìn)行微調(diào)訓(xùn)練。

圖片

項(xiàng)目地址：https://github.com/imoneoi/openchat

不過Chatbot Arena的「榜單主」提醒稱，由于舊的Vicu?a eval基準(zhǔn)存在一些bias，因此提倡大家遷移到新提出的MT-bench上——從而更好地測評LLM更多方面的能力。

圖片

OpenLLM：只需6K GPT-4對話微調(diào)

OpenLLM是一個(gè)在多樣化且高質(zhì)量的多輪對話數(shù)據(jù)集上進(jìn)行微調(diào)的開源語言模型系列。

具體來講，研究人員從約90K的ShareGPT對話中，過濾出來約6K的GPT-4對話。

經(jīng)過6k數(shù)據(jù)微調(diào)后，令人驚訝的是，OpenLLM已經(jīng)被證明可以在有限的數(shù)據(jù)下實(shí)現(xiàn)高性能。

OpenLLM有兩個(gè)通用模型，它們是OpenChat和OpenChat-8192。

圖片

OpenChat：基于LLaMA-13B微調(diào)，上下文長度為2048

- 在Vicuna GPT-4評估中達(dá)到ChatGPT分?jǐn)?shù)的105.7%

- 在AlpacaEval上取得了驚人的80.9%的勝率

OpenChat-8192：基于LLaMA-13B微調(diào)，上下文長度為8192

- 在Vicuna GPT-4評估中達(dá)到ChatGPT分?jǐn)?shù)的106.6%

- 在AlpacaEval上取得的79.5%勝率

圖片

此外，OpenLLM還有代碼模型，其性能如下：

OpenCoderPlus：基于StarCoderPlus，原始上下文長度為8192

- 在Vicuna GPT-4評估中達(dá)到ChatGPT分?jǐn)?shù)的102.5%

- 在AlpacaEval上獲得78.7%的勝率

模型評估

研究人員使用Vicuna GPT-4和AlpacaEval基準(zhǔn)評估了最新模型，結(jié)果如下圖所示：

圖片

Vicuna GPT-4評估（v.s. gpt-3.5-turbo）

圖片

Vicuna GPT-3.5-Turbo評估（v.s. gpt-3.5-turbo）

另外，值得注意的是，研究者采用的評估模式與Vicuna的略有不同，還使用了證據(jù)校準(zhǔn)（EC）+平衡位置校準(zhǔn)（BPC）來減少潛在的偏差。

圖片

安裝和權(quán)重

要使用OpenLLM，需要安裝CUDA和PyTorch。用戶可以克隆這個(gè)資源庫，并通過pip安裝這些依賴：

git clone git@github.com:imoneoi/OChat.git
pip install -r requirements.txt

目前，研究人員已經(jīng)提供了所有模型的完整權(quán)重作為huggingface存儲庫。

用戶可以使用以下命令在本地啟動一個(gè)API服務(wù)器，地址為http://localhost:18888。

圖片

其中，服務(wù)器與openai包，以及ChatCompletions協(xié)議兼容（請注意，某些功能可能不完全支持）。

用戶可以通過設(shè)置以下方式指定openai包的服務(wù)器：

openai.api_base = "http://localhost:18888/v1"

當(dāng)前支持的ChatCompletions參數(shù)有：

圖片

建議：使用至少40GB（1x A100）顯存的GPU來運(yùn)行服務(wù)器。

數(shù)據(jù)集

轉(zhuǎn)換后的數(shù)據(jù)集可在openchat_sharegpt4_dataset上獲取。

項(xiàng)目中所使用的數(shù)據(jù)集，是對ShareGPT清洗和篩選后的版本。

其中，原始的ShareGPT數(shù)據(jù)集包含大約90,000個(gè)對話，而僅有6,000個(gè)經(jīng)過清理的GPT-4對話被保留用于微調(diào)。

清洗后的GPT-4對話與對話模板和回合結(jié)束時(shí)的token相結(jié)合，然后根據(jù)模型的上下文限制進(jìn)行截?cái)啵ǔ鱿拗频膬?nèi)容將被丟棄）。

要運(yùn)行數(shù)據(jù)處理流程，請執(zhí)行以下命令：

./ochat/data/run_data_pipeline.sh INPUT_FOLDER OUTPUT_FOLDER

輸入文件夾應(yīng)包含一個(gè)ShareGPT文件夾，其中包含每個(gè)ShareGPT對話頁面的.html文件。

數(shù)據(jù)處理流程包括三個(gè)步驟：

- 清洗：對HTML進(jìn)行清理并轉(zhuǎn)換為Markdown格式，刪除格式錯(cuò)誤的對話，刪除包含被屏蔽詞匯的對話，并進(jìn)行基于哈希的精確去重處理

- 篩選：僅保留token為Model: GPT-4的對話

- 轉(zhuǎn)換：為了模型的微調(diào)，針對所有的對話進(jìn)行轉(zhuǎn)換和分詞處理

最終轉(zhuǎn)換后的數(shù)據(jù)集遵循以下格式：

MODEL_TYPE.train.json / .eval.json

[
    [token_id_list, supervise_mask_list],
    [token_id_list, supervise_mask_list],
    ...
]

MODEL_TYPE.train.text.json / .eval.text.json從token_id_list解碼的純文本

除此之外，研究人員還提供了一個(gè)用于可視化對話嵌入的工具。

只需用瀏覽器打開ochat/visualization/ui/visualizer.html，并將MODEL_TYPE.visualizer.json拖放到網(wǎng)頁中。點(diǎn)擊3D圖中的點(diǎn)，就可以顯示相應(yīng)的對話。

其中，嵌入是使用openai_embeddings.py創(chuàng)建的，然后使用dim_reduction.ipynb進(jìn)行UMAP降維和K-Means著色。

圖片

模型修改

研究人員為每個(gè)基礎(chǔ)模型添加了一個(gè)EOT（對話結(jié)束）token。

對于LLaMA模型，EOT的嵌入初始化為所有現(xiàn)有token嵌入的平均值。對于StarCoder模型，EOT的嵌入以0.02標(biāo)準(zhǔn)差進(jìn)行隨機(jī)初始化。

對于具有8192上下文的LLaMA-based模型，max_position_embeddings被設(shè)置為8192，并且進(jìn)行了RoPE（相對位置編碼）代碼的外推。

訓(xùn)練

訓(xùn)練模型時(shí)使用的超參數(shù)在所有模型中都是相同的：

圖片

使用8xA100 80GB進(jìn)行訓(xùn)練：

NUM_GPUS=8


deepspeed --num_gpus=$NUM_GPUS --module ochat.training_deepspeed.train \
    --model_type MODEL_TYPE \
    --model_path BASE_MODEL_PATH \
    --save_path TARGET_FOLDER \
    --length_grouping \
    --epochs 5 \
    --data_path DATASET_PATH \
    --deepspeed \
    --deepspeed_config ochat/training_deepspeed/deepspeed_config.json

評估

要運(yùn)行Vicuna GPT-4評估，請執(zhí)行以下步驟：

1. 生成模型答案

python -m ochat.evaluation.get_model_answer --model_type MODEL_TYPE --models_path PATH_CONTAINING_ALL_MODELS_SAME_TYPE --data_path ./ochat/evaluation/vicuna --output_path ./eval_results

2. 生成基線（GPT-3.5）答案

OPENAI_API_KEY=sk-XXX python -m ochat.evaluation.get_openai_answer --data_path ./ochat/evaluation/vicuna --output_path ./eval_baselines --model_types gpt-3.5-turbo

3. 運(yùn)行GPT-4評估

OPENAI_API_KEY=sk-XXX python -m ochat.evaluation.openai_eval --data_path ./ochat/evaluation/vicuna --baseline_path ./eval_baselines/vicuna_gpt-3.5-turbo.jsonl --input_path ./eval_results

4. 可視化和細(xì)節(jié)

要獲得可視化和繪制評估結(jié)果，請使用瀏覽器打開ochat/visualization/eval_result_ui/eval_result_visualizer.html，并選擇./eval_results/eval_result_YYYYMMDD文件夾中的所有文件以顯示結(jié)果。

局限性

基礎(chǔ)模型限制

盡管能夠?qū)崿F(xiàn)優(yōu)秀的性能，但OpenLLM仍然受到其基礎(chǔ)模型固有限制的限制。這些限制可能會影響模型在以下領(lǐng)域的性能：

- 復(fù)雜推理

- 數(shù)學(xué)和算術(shù)任務(wù)

- 編程和編碼挑戰(zhàn)

不存在信息的幻覺

OpenLLM有時(shí)可能會產(chǎn)生不存在或不準(zhǔn)確的信息，也稱為「幻覺」。用戶應(yīng)該意識到這種可能性，并驗(yàn)證從模型中獲得的任何關(guān)鍵信息。

參考資料：

https://github.com/imoneoi/openchat

https://tatsu-lab.github.io/alpaca_eval/

責(zé)任編輯：武曉燕來源：新智元