自动测试分数达到 ChatGPT的99.3% ， 人类难以分辨 两者的回答……
这是开源大模型最新成果，来自羊驼家族的又一重磅成员——华盛顿大学 原驼 （Guanaco） 。
更关键的是，与原驼一起提出的新方法 QLoRA 把微调大模型的 显存需求 从>780GB降低到<48GB 。
【资料图】
开源社区直接开始狂欢，相关论文成为24小时内关注度最高的AI论文。
以Meta的美洲驼LLaMA为基础，得到原驼 650亿参数版只需要48GB显存单卡微调24小时 ， 330亿参数版只需要24GB显存单卡微调12小时 。
24GB显存，也就是一块消费级RTX3090或RTX4090显卡足以。
不少网友在测试后也表示，更喜欢它而不是ChatGPT。
英伟达科学家Jim Fan博士对此评价为： 大模型小型化的又一里程碑。
先扩大规模再缩小，将成为开源AI社区的节奏。
而新的高效微调方法QLoRA迅速被开源社区接受，HuggingFace也在第一时间整合上线了相关代码。
GPT-4做裁判，原驼得分达到ChatGPT的99.3%
论文中，团队对原驼总共做了三项测试，自动评估、随机匹配和人类评估。
测试数据来自小羊驼Vicuna和Open Assistant。
自动评估 由大模型天花板GPT-4当裁判，对不同模型的回答进行打分，以ChatGPT （GPT3.5） 的成绩作为100%。
最终原驼650亿版得分达到ChatGPT的99.3%，而GPT-4自己的得分是114.5%，谷歌Bard是94.8%。
随机匹配 ，采用棋类专业比赛和电子竞技同款的Elo记分机制，由GPT-4和人类共同做裁判。
原驼650亿和330亿版最终得分超过ChatGPT （GPT3.5） 。
人类评估 ，则是把原驼650亿版的回答和ChatGPT的回答匿名乱序放在一起，人类来盲选哪个最好。
论文共同一作表示，研究团队里的人都很难分辨出来，并把测试做成了一个小游戏放在Colab上，开放给大家挑战。
这里节选其中一个问题 （附中文翻译） ，你能分辨出哪个是ChatGPT回答的吗？
问题：How can I improve my time management skills? （如何提高时间管理技能？）
（完整测试地址在文末）
总的来说，原驼的优势在于 不容易被问题中的错误信息误导 ，比如能指出地球从来没有被科学界认为是平的。
以及擅长心智理论 （Theory of Mind） ，也就是 能推测理解他人的心理状态 。
但原驼也并非没有弱点，团队发发现它 不太擅长数学 ，以及容易用 提示注入攻击 把要求保密的信息从它嘴里套出来。
也有网友表示，虽然一个模型能在某个数据集上无限接近ChatGPT，但像ChatGPT那样通用还是很难的。
全新方法QLoRA，iPhone都能微调大模型了
原驼论文的核心贡献是提出新的微调方法 QLoRA 。
其中Q代表 量化 （Quantization） ，用低精度数据类型去逼近神经网络中的高精度浮点数，以提高运算效率。
LoRA是微软团队在2021年提出的 低秩适应 （Low-Rank Adaptation） 高效微调方法，LoRA后来被移植到AI绘画领域更被大众熟知，但最早其实就是用于大语言模型的。
通常来说，LoRA微调与全量微调相比效果会更差，但团队将LoRA添加到所有的线性层解决了这个问题。
具体来说，QLoRA结合了4-bit量化和LoRA，以及团队新创的三个技巧： 新数据类型4-bit NormalFloat 、 分页优化器 （Paged Optimizers） 和 双重量化 （Double Quantization） 。
最终QLoRA让 4-bit 的原驼在所有场景和规模的测试中 匹配16-bit的性能 。
QLoRA的高效率，让团队在华盛顿大学的小型GPU集群上每天可以微调LLaMA 100多次……
最终使用Open Assistant数据集微调的版本性能胜出，成为原驼大模型。
Open Assistant数据集来自非盈利研究组织LAION（训练Stable Diffusion的数据集也来自这里），虽然 只有9000个样本 但质量很高，经过开源社区的人工仔细验证。
这9000条样本用于微调大模型，比100万条指令微调 （Instruction Finetune） 样本的 谷歌 FLAN v2效果还好。
研究团队也据此提出两个关键结论：
数据质量 >> 数据数量
指令微调有利于推理，但不利于聊天
最后，QLoRA的高效率，还意味着可以用在手机上，论文共同一作Tim Dettmers估计以 iPhone 12 Plus的算力每个晚上能微调300万个单词 的数据量。
这意味着，很快手机上的每个App都能用上专用大模型。
