發(fā)布幾小時，微軟秒刪媲美GPT-4開源大模型！竟因忘記投毒測試

　　前段時間，微軟公布并開源了最新一代大模型WizardLM-2，號稱性能堪比GPT-4。不過，還未上線一天，模型權(quán)重和公告全被刪除了，原因竟是......

　　上周，微軟空降了一個堪稱GPT-4級別的開源模型WizardLM-2。

　　卻沒想到發(fā)布幾小時之后，立馬被刪除了。

　　有網(wǎng)友突然發(fā)現(xiàn)，WizardLM的模型權(quán)重、公告帖子全部被刪除，并且不再微軟集合中，除了提到站點(diǎn)之外，卻找不到任何證據(jù)證明這個微軟的官方項(xiàng)目。

　　GitHub項(xiàng)目主頁已成404。

　　包括模型在HF上的權(quán)重，也全部消失了.....

　　全網(wǎng)滿臉疑惑，WizardLM怎么沒了?

　　然鵝，微軟之所以這么做，是因?yàn)閳F(tuán)隊(duì)內(nèi)部忘記對模型做「測試」。

　　隨后，微軟團(tuán)隊(duì)現(xiàn)身道歉并解釋道，自幾個月前WizardLM發(fā)布以來有一段時間，所以我們對現(xiàn)在新的發(fā)布流程不太熟悉。

　　我們不小心遺漏了模型發(fā)布流程中所需的一項(xiàng)內(nèi)容 ：投毒測試

　　微軟WizardLM升級二代

　　去年6月，基于LlaMA微調(diào)而來的初代WizardLM一經(jīng)發(fā)布，吸引了開源社區(qū)一大波關(guān)注。

　　論文地址：https://arxiv.org/pdf/2304.12244.pdf

　　隨后，代碼版的WizardCoder誕生——一個基于Code Llama，利用Evol-Instruct微調(diào)的模型。

　　測試結(jié)果顯示，WizardCoder在HumanEval上的pass@1達(dá)到了驚人的 73.2%，超越了原始GPT-4。

　　時間推進(jìn)到4月15日，微軟開發(fā)者官宣了新一代WizardLM，這一次是從Mixtral 8x22B微調(diào)而來。

　　它包含了三個參數(shù)版本，分別是8x22B、70B和7B。

　　最值得一提的是，在MT-Bench基準(zhǔn)測試中，新模型取得了領(lǐng)先的優(yōu)勢。

　　具體來說，最大參數(shù)版本的WizardLM 8x22B模型性能，幾乎接近GPT-4和Claude 3。

　　在相同參數(shù)規(guī)模下，70B版本位列第一。

　　而7B版本是最快的，甚至可以達(dá)到與，參數(shù)規(guī)模10倍大的領(lǐng)先模型相當(dāng)?shù)男阅堋?/p>

　　WizardLM 2出色表現(xiàn)的背后的秘訣在于，微軟開發(fā)的革命性訓(xùn)練方法論Evol-Instruct。

　　Evol-Instruct利用大型語言模型，迭代地將初始指令集改寫成越來越復(fù)雜的變體。然后，利用這些演化指令數(shù)據(jù)對基礎(chǔ)模型進(jìn)行微調(diào)，從而顯著提高其處理復(fù)雜任務(wù)的能力。

　　另一個是強(qiáng)化學(xué)習(xí)框架RLEIF，也在WizardLM 2開發(fā)過程中起到了重要作用。

　　在WizardLM 2訓(xùn)練中，還采用了AI Align AI(AAA)方法，可以讓多個領(lǐng)先的大模型相互指導(dǎo)和改進(jìn)。

　　AAA框架由兩個主要的組件組成，分別是「共同教學(xué)」和「自學(xué)」。

　　共同教學(xué)這一階段，WizardLM和各種獲得許可的開源和專有先進(jìn)模型進(jìn)行模擬聊天、質(zhì)量評判、改進(jìn)建議和縮小技能差距。

　　通過相互交流和提供反饋，模型可向同行學(xué)習(xí)并完善自身能力。

　　對于自學(xué)，WizardLM可通過主動自學(xué)，為監(jiān)督學(xué)習(xí)生成新的進(jìn)化訓(xùn)練數(shù)據(jù)，為強(qiáng)化學(xué)習(xí)生成偏好數(shù)據(jù)。

　　這種自學(xué)機(jī)制允許模型通過學(xué)習(xí)自身生成的數(shù)據(jù)和反饋信息來不斷提高性能。

　　另外，WizardLM 2模型的訓(xùn)練使用了生成的合成數(shù)據(jù)。

　　在研究人員看來，大模型的訓(xùn)練數(shù)據(jù)日益枯竭，相信AI精心創(chuàng)建的數(shù)據(jù)和AI逐步監(jiān)督的模型將是通往更強(qiáng)大人工智能的唯一途徑。

　　因此，他們創(chuàng)建了一個完全由AI驅(qū)動的合成訓(xùn)練系統(tǒng)來改進(jìn)WizardLM-2。

　　手快的網(wǎng)友，已經(jīng)下載了權(quán)重

　　然而，在資料庫被刪除之前，許多人已經(jīng)下載了模型權(quán)重。

　　在該模型被刪除之前，幾個用戶還在一些額外的基準(zhǔn)上進(jìn)行了測試。

　　好在測試的網(wǎng)友對7B模型感到印象深刻，并稱這將是自己執(zhí)行本地助理任務(wù)的首選模型。

　　還有人對其進(jìn)行了投毒測試，發(fā)現(xiàn)WizardLM-8x22B的得分為98.33，而基礎(chǔ)Mixtral-8x22B的得分為89.46，Mixtral 8x7B-Indict的得分為92.93。

　　得分越高越好，也就是說WizardLM-8x22B還是很強(qiáng)的。

　　如果沒有投毒測試，將模型發(fā)出來是萬萬不可的。

　　大模型容易產(chǎn)生幻覺，人盡皆知。

　　如果WizardLM 2在回答中輸出「有毒、有偏見、不正確」的內(nèi)容，對大模型來說并不友好。

　　尤其是，這些錯誤引來全網(wǎng)關(guān)注，對與微軟自身來說也會陷入非議之中，甚至?xí)�被�?dāng)局調(diào)查。

　　有網(wǎng)友疑惑道，你可以通過「投毒測試」更新指標(biāo)。為什么要刪除整個版本庫和權(quán)重?

　　微軟作者表示，根據(jù)內(nèi)部最新的規(guī)定，只能這樣操作。

　　還有人表示，我們就想要未經(jīng)「腦葉切除」的模型。

　　不過，開發(fā)者們還需要耐心等待，微軟團(tuán)隊(duì)承諾，會在測試完成后重新上線。