首頁 > 科技要聞 > 科技> 正文

英偉達開源新王登基！70B刷爆SOTA，擊敗GPT-4o只服OpenAI o1

新智元 整合編輯：太平洋科技 發(fā)布于：2024-10-20 18:53

新模型Nemotron-70B成為僅次o1的最強王者！英偉達悄無聲息地開源了這個超強大模型。

一經(jīng)發(fā)布，它立刻在AI社區(qū)引發(fā)巨大轟動。

在多個基準測試中，它一舉超越多個最先進的AI模型，包括OpenAI的GPT-4、GPT-4 Turbo以及Anthropic的Claude 3.5 Sonnet等140多個開閉源模型。

并且僅次于OpenAI最新模型o1。

在即便是在沒有專門提示、額外推理token的情況下，Nemotron-70B也能答對「草莓有幾個r」經(jīng)典難題。

業(yè)內(nèi)人士評價：英偉達在Llama 3.1的基礎上訓練出不太大的模型，超越了GPT-4o和Claude 3.5 Sonnet，簡直是神來之筆。

網(wǎng)友們紛紛評論：這是一個歷史性的開放權(quán)重模型。

目前，模型權(quán)重已可在Hugging Face上獲取。

有人已經(jīng)用兩臺Macbook跑起來了。

超越GPT-4o，英偉達新模型爆火

Nemotron基礎模型，是基于Llama-3.1-70B開發(fā)而成。

Nemotron-70B通過人類反饋強化學習完成的訓練，尤其是「強化算法」。

這次訓練過程中，使用了一種新的混合訓練方法，訓練獎勵模型時用了Bradley-Terry和Regression。

使用混合訓練方法的關(guān)鍵，就是Nemotron的訓練數(shù)據(jù)集，而英偉達也一并開源了。

它基于Llama-3.1-Nemotron-70B-Reward提供獎勵信號，并利用HelpSteer2-Preference提示來引導模型生成符合人類偏好的答案。

在英偉達團隊一篇預印本論文中，專門介紹了HelpSteer2-Preference算法。

在LMSYS大模型競技場中，Arena Hard評測中，Nemotron-70B得分85。

在AlpacaEval 2 LC上得分57.6，在GPT-4-Turbo MT-Bench上為8.98。

能夠擊敗GPT-4o的模型，究竟有多強？

各路網(wǎng)友紛紛出題，來考驗Nemotron-70B真實水平。

測試開始！

「一步一步認真思考：我目前有兩根香蕉，我昨天吃掉一根，現(xiàn)在還有幾根」？

Nemotron-70B會將問題所給信息進行分解，然后一步一步推理得出，最終的正確答案是2根。

評論區(qū)網(wǎng)友表示，來一道上難度的題「列出活到89歲的十位名人」。

不過，模型卻把某人的去世日期弄錯了，然而它不是一個推理題。

還有開發(fā)者要求它，將整個entropix的jax模型實現(xiàn)轉(zhuǎn)換成Pytorch格式，而且在零樣本的情況下，70B模型就完成了。

那么，Nemotron-70B在hard prompt上的表現(xiàn)，是否值得推敲？

在如下測試中，顯然并沒有通過，但確實給出了一個非常有趣的初步輸出。

「考慮一個假設情況，如果月球只有25英里遠，而一個人有太空服來保護自己免受太空環(huán)境的嚴酷影響，人類步行到月球是否合理？只回答最突出的要點。」

Nemotron-70B給出的回答是：

不可能，因為需要克服巨大的重力逃逸速度：即使月球只有25英里遠，人類仍然需要克服大約2.4公里/秒（5,376英里/小時）的初始逃逸速度，才能從地球表面到達月球表面。步行速度最快也只有約5-6英里/小時（8-9.7公里/小時），遠遠不足以達到這個速度，使得步行到月球完全不切實際。

再來一道推理題，讓Nemotron-70B與GPT-4o一起PK「薛定諤的貓」實驗變體：

一只死貓被放入一個盒子中，盒子里還有一個核同位素、一瓶毒藥和一個輻射探測器。如果輻射探測器檢測到輻射，它就會釋放毒藥。一天后打開盒子。貓活著的概率是多少？

Nemotron-70B考慮很有特點的是，從一開始就考慮到貓就是死的，即便放在盒子一天后，仍舊是死的。

而GPT-4o并沒有關(guān)注初始條件的重要性，而是就盒子里的客觀條件，進行分析得出50%的概率。

有網(wǎng)友表示，非常期待看到Nemotron 70B在自己的Ryzen 5/Radeon 5600 Linux電腦上跑起來是什么樣子。

在40GB+以上的情況下，它簡直就是一頭怪獸。

芯片巨頭不斷開源超強模型

英偉達為何如此熱衷于不斷開源超強模型？

業(yè)內(nèi)人表示，之所以這么做，就開源模型變得如此優(yōu)秀，就是為了讓所有盈利公司都必須訂購更多芯片，來訓練越來越復雜的模型。無論如何，人們都需要購買硬件，來運行免費模型。

總之，只要英偉達在定制芯片上保持領先，在神經(jīng)形態(tài)芯片未來上投入足夠資金，他們會永遠立于不敗之地。

無代碼初創(chuàng)公司創(chuàng)始人Andres Kull心酸地表示，英偉達可以不斷開源超強模型。因為他們既有大量資金資助研究者，同時還在不斷發(fā)展壯大開發(fā)生態(tài)。

而Meta可以依托自己的社交媒體，獲得利潤上的資助。

然而大模型初創(chuàng)企業(yè)的處境就非常困難了，巨頭們通過種種手段，在商業(yè)落地和名氣上都取得了碾壓，但小企業(yè)如果無法創(chuàng)造利潤，將很快失去風頭家的資助，迅速倒閉。

而更加可怕的是，英偉達可以以低1000倍的成本實現(xiàn)這一點。

如果英偉達真的選擇這么做，將無人能與之匹敵。

現(xiàn)在，英偉達占美國GDP的 11.7%。而在互聯(lián)網(wǎng)泡沫頂峰時期，思科僅占美國GDP的5.5%

最強開源模型是怎樣訓練出來的

在訓練模型的過程中，獎勵模型發(fā)揮了很重要的作用，因為它對于調(diào)整模型的遵循指令能力至關(guān)重要。

主流的獎勵模型方法主要有兩種：Bradley-Terry和Regression。

前者起源于統(tǒng)計學中的排名理論，通過最大化被選擇和被拒絕響應之間的獎勵差距，為模型提供了一種直接的基于偏好的反饋。

后者則借鑒了心理學中的評分量表，通過預測特定提示下響應的分數(shù)來訓練模型。這就允許模型對響應的質(zhì)量進行更細節(jié)的評估。

對研究者和從業(yè)人員來說，決定采用哪種獎勵模型是很重要的。

然而，缺乏證據(jù)表明，當數(shù)據(jù)充分匹配時，哪種方法優(yōu)于另一種。這也就意味著，現(xiàn)有公共數(shù)據(jù)集中無法提供充分匹配的數(shù)據(jù)。

英偉達研究者發(fā)現(xiàn)，迄今為止沒有人公開發(fā)布過與這兩種方法充分匹配的數(shù)據(jù)。

為此，他們集中了兩種模型的優(yōu)點，發(fā)布了名為HelpSteer2-Preference的高質(zhì)量數(shù)據(jù)集。

這樣，Bradley-Terry模型可以使用此類偏好注釋進行有效訓練，還可以讓注釋者表明為什么更喜歡一種響應而非另一種，從而研究和利用偏好理由。

他們發(fā)現(xiàn)，這個數(shù)據(jù)集效果極好，訓練出的模型性能極強，訓出了RewardBench上的一些頂級模型（如Nemotron-340B-Reward）。

主要貢獻可以總結(jié)為以下三點——

1. 開源了一個高質(zhì)量的偏好建模數(shù)據(jù)集，這應該是包含人類編寫偏好理由的通用領域偏好數(shù)據(jù)集的第一個開源版本。

2. 利用這些數(shù)據(jù)，對Bradley-Terry風格和Regression風格的獎勵模型，以及可以利用偏好理由的模型進行了比較。

3. 得出了結(jié)合Bradley-Terry和回歸獎勵模型的新穎方法，訓練出的獎勵模型在RewardBench上得分為94.1分，這是截止2024.10.1表現(xiàn)最好的模型。

HelpSteer2-Preference數(shù)據(jù)集

數(shù)據(jù)收集過程中，注釋者都會獲得一個提示和兩個響應。

他們首先在Likert-5量表上，從（有用性、正確性、連貫性、復雜性和冗長性）幾個維度上，對每個響應進行注釋。

然后在7個偏好選項中進行選擇，每個選項都與一個偏好分數(shù)及偏好理由相關(guān)聯(lián)。

Scale AI會將每個任務分配給3-5個注釋者，以獨立標記每個提示的兩個響應之間的偏好。

嚴格的數(shù)據(jù)預處理，也保證了數(shù)據(jù)的質(zhì)量。

根據(jù)HelpSteer2，研究者會確定每個任務的三個最相似的偏好注釋，取其平均值，并將其四舍五入到最接近的整數(shù)，以給出整體偏好。

此外，研究者過濾掉了10%的任務，其中三個最相似的注釋分布超過2。

這樣就避免了對人類注釋者無法自信評估真實偏好的任務進行訓練。

HelpSteer2Preference中不同回應之間的偏好分布與HelpSteer 2中它們的幫助評分差異之間的關(guān)系

研究者發(fā)現(xiàn)，當使用每種獎勵模型的最佳形式時，Bradley-Terry類型和回歸類型的獎勵模型彼此競爭。

此外，它們可以相輔相成，訓練一個以僅限幫助性SteerLM回歸模型為基礎進行初始化的縮放Bradley-Terry模型，在RewardBench上整體得分達到94.1。

截至2024年10月1日，這在RewardBench排行榜上排名第一。

RewardBench上的模型表現(xiàn)

最后，這種獎勵模型被證明在使用Online RLHF（特別是REINFORCE算法）對齊模型以使其遵循指令方面，非常有用。

如表4所示，大多數(shù)算法對于Llama-3.1-70B-Instruct都有所改進。

對齊模型的性能：所有模型均由Llama-3.1-70B-Instruct作為基礎模型進行訓練

如表5所示，對于「Strawberry中有幾個r」這個問題，只有REINFORCE能正確回答這個問題。

本文來源：新智元
新智元

網(wǎng)友評論

聚超值•精選

推薦 手機 筆記本 影像 硬件 家居 商用 企業(yè) 出行 未來
二維碼 回到頂部