Aioga
AI资讯 / 行业动态
返回 AI资讯

LMSYS 发布开源聊天模型 Vicuna-13B,用 ShareGPT 对话微调 LLaMA,训练成本约 $300

LMSYS:BlogAioga 编辑团队2026-10-03T15:50:46.000Z热度 72

LMSYS 团队发布 Vicuna-13B,通过约 70K ShareGPT 用户共享对话微调 LLaMA,训练成本约 $300,代码、权重和在线 demo 以非商业许可公开。...

行业动态LMSYS:Blog

今日 AI 情报摘要

LMSYS 团队发布 Vicuna-13B,通过约 70K ShareGPT 用户共享对话微调 LLaMA,训练成本约 $300,代码、权重和在线 demo 以非商业许可公开。

GPT-4 作为评审的初步评估显示其达到 ChatGPT/Bard 90% 以上质量,在 45% 问题上不逊于 ChatGPT; 团队同时提出基于 GPT-4 的自动评测框架,并说明其尚非严谨方法。

中文正文 · AI 翻译

我们介绍 Vicuna-13B,这是一个开源聊天机器人,通过在从 ShareGPT 收集的用户共享对话数据上微调 LLaMA 训练而成。使用 GPT-4 作为评判者的初步评估显示,Vicuna-13B 在超过 90% 的情况下达到 OpenAI ChatGPT 和 Google Bard 的*质量水平,同时在超过 90% 的情况下*优于 LLaMA 和 Stanford Alpaca 等其他模型。训练 Vicuna-13B 的成本约为 300 美元。代码:https://github.com/lm-sys/FastChat 和权重:https://github.com/lm-sys/FastChat#vicuna-weights,以及在线演示:https://chat.lmsys.org,均可公开用于非商业用途。

LMSYS 发布开源聊天模型 Vicuna-13B,用 ShareGPT 对话微调 LLaMA,训练成本约 $300

维库纳(由稳定扩散2.1生成)

*根据使用 GPT-4 进行的一项趣味性且非科学的评估。需要进一步严格的评估。

在使用 7 万条用户共享的 ChatGPT 对话对 Vicuna 进行微调后,我们发现 Vicuna 能够生成比 Alpaca 更加详细和结构良好的回答(见下方示例),其质量与 ChatGPT 相当。

然而,评估聊天机器人从来不是一件简单的事情。随着 GPT-4 的最新进展,我们好奇其能力是否已达到类人水平,从而可能实现基于自动化的基准生成和性能评估框架。我们的初步发现表明,在比较聊天机器人回答时,GPT-4 可以产生高度一致的排序和详细评估(见上方 GPT-4 判定示例)。基于 GPT-4 的初步评估,总结如图 1 所示,显示 Vicuna 达到 Bard/ChatGPT 90%* 的能力水平。虽然该提议的框架显示了自动化聊天机器人评估的潜力,但它尚不是严格的方法。建立针对聊天机器人的评估系统仍然是一个需要进一步研究的开放问题。更多细节请参见评估部分。

LMSYS 发布开源聊天模型 Vicuna-13B,用 ShareGPT 对话微调 LLaMA,训练成本约 $300

图1. GPT-4*评估的相对响应质量

在这里尝试 Vicuna-13B 演示:https://chat.lmsys.org!

大型语言模型(LLM)的快速发展革新了聊天机器人系统,在OpenAI的ChatGPT中展现了前所未有的智能水平。然而,尽管其表现令人印象深刻,ChatGPT的训练和架构细节仍不清楚,这阻碍了该领域的研究和开源创新。受到Meta LLaMA和斯坦福Alpaca项目的启发,我们推出了Vicuna-13B,这是一款基于增强数据集和易于使用、可扩展基础设施的开源聊天机器人。通过在收集自ShareGPT.com的用户共享对话上对LLaMA基础模型进行微调,Vicuna-13B展示了与其他开源模型(如斯坦福Alpaca)相比具有竞争力的性能。本文博客提供了Vicuna-13B性能的初步评估,并描述了其训练与部署基础设施。我们还邀请社区与我们的在线演示进行互动,以测试该聊天机器人的能力。

LMSYS 发布开源聊天模型 Vicuna-13B,用 ShareGPT 对话微调 LLaMA,训练成本约 $300

图2概述了我们的工作。首先,我们从ShareGPT.com收集了约7万条对话,该网站允许用户分享他们的ChatGPT对话。接下来,我们增强了Alpaca提供的训练脚本,以更好地处理多轮对话和长序列。训练使用PyTorch FSDP在8块A100 GPU上一天完成。为了演示的部署,我们实现了一个轻量级的分布式服务系统。我们通过创建一套80个多样化问题,并利用GPT-4来评估模型输出,对模型质量进行了初步评估。为了比较两种不同模型,我们将每个模型的输出合并为每个问题的单一提示,然后将提示发送给GPT-4,由其评估哪种模型提供了更好的回答。LLaMA、Alpaca、ChatGPT和Vicuna的详细比较见下表1。

表1. 几个著名模型的比较

Vicuna是通过在收集自ShareGPT.com的约7万条用户共享对话的基础上,利用公共API对LLaMA基础模型进行微调而创建的。为了保证数据质量,我们将HTML转换回Markdown,并过滤掉一些不适当或低质量的样本。此外,我们将冗长的对话划分为适合模型最大上下文长度的小段。

我们的训练方案基于斯坦福的 Alpaca:https://crfm.stanford.edu/2023/03/13/alpaca.html,并进行了以下改进。

我们构建了一个能够通过分布式工作节点服务多模型的系统。它支持灵活地插入来自本地集群和云端的 GPU 工作节点。通过利用 SkyPilot 的容错控制器和托管抢占实例功能,这个服务系统可以很好地利用来自多个云的廉价抢占实例,从而降低服务成本。目前,它是一个轻量级实现,我们正在努力将更多最新的研究成果:https://arxiv.org/abs/2302.11665 集成到其中。

评估 AI 聊天机器人是一项具有挑战性的任务,因为它需要考察语言理解、推理能力和上下文意识。随着 AI 聊天机器人变得越来越先进,现有的开放基准可能不再足够。例如,斯坦福 Alpaca 中使用的评估数据集 self-instruct:https://github.com/yizhongw/self-instruct/tree/main/human_eval,可以被最先进的聊天机器人有效回答,这使得人类难以判断性能差异。更多的限制还包括训练/测试数据的污染,以及创建新基准的潜在高成本。为了解决这些问题,我们提出了一个基于 GPT-4 的评估框架,以实现聊天机器人性能的自动评估。

首先,我们设计了八类问题,例如费米问题、角色扮演场景以及编码/数学任务,以测试聊天机器人的各方面性能。通过精心的提示工程,GPT-4 能够生成多样且具有挑战性的问题,基线模型难以回答。我们从每个类别中选择十个问题,并收集五个聊天机器人的回答:LLaMA、Alpaca、ChatGPT、Bard 和 Vicuna。然后,我们请 GPT-4 根据有用性、相关性、准确性和细节来评估它们的回答质量。我们发现 GPT-4 不仅可以给出相对一致的分数,还能提供分数背后的详细解释(详细示例链接:https://lmsys.org/vicuna_eval/)。然而,我们也注意到 GPT-4 在判断编码/数学任务方面表现不佳。

LMSYS 发布开源聊天模型 Vicuna-13B,用 ShareGPT 对话微调 LLaMA,训练成本约 $300

图 3. GPT-4 评估的响应比较

图 3 显示了所有基线模型与 Vicuna 的比较结果。GPT-4 在超过 90% 的问题中更倾向于 Vicuna,而不是最先进的开源模型(LLaMA、Alpaca),并且其表现与专有模型(ChatGPT、Bard)相当。在 45% 的问题中,GPT-4 评定 Vicuna 的回答优于或等同于 ChatGPT 的回答。由于 GPT-4 会对每条回答按 10 分制给出量化分数,我们通过将每个模型在 80 个问题中获得的分数相加,计算每对(基线模型,Vicuna)比较的总分。如表 2 所示,Vicuna 的总分为 ChatGPT 的 92%。尽管近期取得了进展,这些聊天机器人仍存在局限,例如在基础数学问题上表现不佳或编码能力有限。

表 2. GPT-4 评估的总分。

虽然该评估框架展示了评估聊天机器人的潜力,但它仍不是严格或成熟的方法,因为大语言模型容易产生幻觉。开发一个全面、标准化的聊天机器人评估系统仍是一个开放问题,需要进一步研究。

编辑:在这篇博客文章之后,我们对基于 GPT-4 的评估方法进行了更深入的研究。欢迎阅读我们的新论文《Judging LLM-as-a-judge》:https://arxiv.org/abs/2306.05685 并尝试新的评估工具:https://github.com/lm-sys/FastChat/tree/main/fastchat/llm_judge。

我们注意到,类似于其他大语言模型,Vicuna 也存在一定的局限性。例如,它在涉及推理或数学的任务上表现不佳,并且在准确识别自身或确保输出事实准确性方面可能存在限制。此外,它尚未得到充分优化以保证安全性或减轻潜在的有害性或偏见。为应对安全问题,我们在在线演示中使用 OpenAI moderation:https://platform.openai.com/docs/guides/moderation/overview API 来过滤不适当的用户输入。尽管如此,我们预计 Vicuna 可以作为未来研究的开放起点,以解决这些局限性。

在我们的首次发布中,我们将在 GitHub 仓库上分享训练、服务和评估代码:https://github.com/lm-sys/FastChat:https://github.com/lm-sys/FastChat。我们还发布了 Vicuna-13B 模型权重:https://github.com/lm-sys/FastChat#vicuna-weights。目前没有发布数据集的计划。加入我们的 Discord 服务器:https://discord.gg/HSWAKCrnFx 并关注我们的 Twitter:https://twitter.com/lmsysorg 以获取最新更新。

我们要感谢 BAIR 的 Xinyang Geng、Hao Liu 和 Eric Wallace;Stanford Alpaca 团队的 Xuecheng Li 和 Tianyi Zhang,感谢他们的深刻讨论和反馈;MBZUAI 的 Qirong Ho,感谢他在服务集群上的支持。请查看 BAIR 对其聊天机器人 Koala 的相关博客文章:https://bair.berkeley.edu/blog/2023/04/03/koala/。

这是与多所机构的合作者共同完成的工作,包括 UC Berkeley、CMU、Stanford、UC San Diego 和 MBZUAI。

✉ 通讯作者:郑连民 (lianminzheng@gmail.com:mailto:lianminzheng@gmail.com)、张浩 (sjtu.haozhang@gmail.com:mailto:sjtu.haozhang@gmail.com) 或 LMSYS (lmsys.org@gmail.com:mailto:lmsys.org@gmail.com)。

在这篇博客文章之后,我们扩展了基于 GPT-4 的评估思路,并撰写了一篇更正式的论文,系统地研究了这种“LLM 作为裁判”的方法。欢迎阅读并引用此论文:Judging LLM-as-a-judge with MT-Bench and Chatbot Arena:https://arxiv.org/abs/2306.05685。

情报判断

Aioga 编辑摘要

LMSYS 发布开源聊天模型 Vicuna-13B,基于 LLaMA 并使用约 7 万条 ShareGPT 用户共享对话进行微调。团队称其训练成本约 300 美元,代码、权重和在线演示以非商业许可公开。

背景分析

来源材料称,GPT-4 作为评审的初步结果显示,Vicuna-13B 的质量超过 ChatGPT 和 Bard 的 90%,并在超过 90% 的案例中优于 LLaMA、Stanford Alpaca 等模型。该评测被明确标注为非科学性方法,仍需更严格验证。

Aioga 观点

Aioga 判断:Vicuna 将低成本训练、用户共享对话数据和开源发布结合起来,展示了开放模型迭代的路径。但现有性能结论主要来自 GPT-4 评审,且团队已说明评测框架尚不严谨,不宜据此作出确定性比较。

影响与后续

可能影响:开源模型研究者或可获得代码、权重和演示进行复现与测试,但非商业许可会限制部分使用场景。GPT-4 自动评测可能提高比较效率,却不足以替代严谨、可复核的模型评估。 后续观察:需要关注 Vicuna 在更严格评测中的结果、其 GPT-4 评审框架的复核情况,以及代码和权重的实际可用范围。对训练成本和模型质量的判断,应以更多公开证据为依据。

来源与版权说明

本页正文由公开来源页面提取并按原有信息整理,同时保留来源、发布时间和原文入口。版权归原作者及来源网站所有,请通过原文链接核验和阅读来源版本。

抓取通道: 摘要聚合 · 原始域名: lmsys.org

来源: LMSYS:Blog

原文链接: 打开原始来源

Aioga 归档: 查看情报页

Content record: source-page · Updated: 2026-10-03T15:50:46.000Z

API 中转站
API RELAY · DEVELOPER INFRASTRUCTURE

API 中转站

统一接入主流 AI 模型 API,为开发、测试与生产环境提供稳定调用入口。

立即访问 api.w173.com
AIOGA SHARE POSTER

分享这篇 AI 情报

LMSYS 团队发布 Vicuna-13B,通过约 70K ShareGPT 用户共享对话微调 LLaMA,训练成本约 $300,代码、权重和在线 demo 以非商业许可公开。...

LMSYS:Blog2026-10-03T15:50:46.000Z
扫码打开文章详情扫码直达文章详情

Aioga 自动聚合全球 AI 动态,并保留来源信息用于核验与引用。