圖源備注：圖片由AI生成，圖片授權(quán)服務(wù)商Midjourney

回想兩個月前，LLaMA2的開源，曾以一己之力改變了大模型領(lǐng)域的競爭格局。

相比于今年2月推出的第一代 LLaMA，LLaMA2在推理、編碼、精通性和知識測試等任務(wù)中都實(shí)現(xiàn)了性能的大幅提升，甚至可以在某些數(shù)據(jù)集上接近 GPT-3.5。由于其強(qiáng)大的性能和開源的特質(zhì)，LLaMA2在發(fā)布后的一周內(nèi)就接收到了超過15萬次的下載請求，并吸引了大量開發(fā)者進(jìn)行「二創(chuàng)」。

但大模型技術(shù)的進(jìn)化速度經(jīng)常超乎預(yù)期。一覺醒來，發(fā)現(xiàn)大模型的性能上限被再次刷新，這在最近是經(jīng)常發(fā)生的事情。

近期就有一位「選手」，在開源大模型社區(qū)的關(guān)注度不斷攀升，逐漸超越 LLaMA2成為了新晉頂流。

在 Huggingface 社區(qū)，「Baichuan」系列是過去一個月下載量全球最高的開源大模型，它來自一家成立僅五個月的中國公司 —— 百川智能。

在 ChatGPT 爆火之初，王小川即宣布入局大模型，并迅速組建起大模型技術(shù)團(tuán)隊(duì)。自成立以來，這家公司保持了平均每月更新一款大模型的驚人節(jié)奏:6月15日，發(fā)布 Baichuan-7B;7月11日，發(fā)布 Baichuan-13B;這兩款免費(fèi)可商用的中文開源大模型之后，8月8日，搜索增強(qiáng)大模型 Baichuan-53B 面世。

9月6日，百川智能又一次宣布了重量級更新:Baichuan2-7B、Baichuan2-13B 的 base 和 Chat 版本同時開源，并提供了 Chat 版本的4bits 量化，且均為免費(fèi)可商用。

平均28天發(fā)布一款大模型，這是國產(chǎn)開源大模型的迭代速度，也代表了中國開源力量迎頭趕上的決心。

迄今，Baichuan-7B 和 Baichuan-13B 這兩款開源大模型目前的下載量已經(jīng)突破500萬，其中近一個月的下載量就有300多萬。除開發(fā)者之外，也有200多家企業(yè)申請部署開源大模型。

未來的大模型競爭格局中，誰能占據(jù)核心地位仍是未知。但不難想象的是，既已實(shí)現(xiàn)對 LLaMA2的超越，再加上驚人的迭代速度，國產(chǎn)開源大模型的黃金時代應(yīng)該不遠(yuǎn)了。

Baichuan2下載地址:https://github.com/baichuan-inc/Baichuan2

國產(chǎn)開源大模型，全面趕超 LLaMA2

讓整個領(lǐng)域感到驚訝的不只是「Baichuan」系列的更新速度，還有其迭代后的模型能力。

曾曝光 GPT-4技術(shù)細(xì)節(jié)的軟件開發(fā)者、Kaggle大神、 Deep trading 創(chuàng)始人 Yam Peleg 通讀了 Baichuan2的技術(shù)報(bào)告，直言這是一次相當(dāng)重大的改進(jìn)。

他特別提到一點(diǎn):「就像 GPT-4的報(bào)告一樣，團(tuán)隊(duì)在訓(xùn)練開始前就預(yù)測了最終損失。為此，他們訓(xùn)練了從1千萬到3億的小模型，并根據(jù)這些模型的損失預(yù)測了大模型的最終損失。據(jù)我所知，這是首個能夠復(fù)制這一程序的開源模型?！?/p>

基于上一代 Baichuan 大模型，Baichuan2保留了良好的生成與創(chuàng)作能力、流暢的多輪對話能力以及部署門檻較低等眾多特性，同時實(shí)現(xiàn)了數(shù)學(xué)、代碼、安全、邏輯推理、語義理解等能力的大幅提升。

根據(jù)公開的 Baichuan2技術(shù)報(bào)告，Baichuan2-7B-base 和 Baichuan2-13B-base 均基于2.6萬億高質(zhì)量多語言數(shù)據(jù)進(jìn)行訓(xùn)練，數(shù)據(jù)來源十分廣泛:

同時，Baichuan2建立了一個可在數(shù)小時內(nèi)對萬億規(guī)模的數(shù)據(jù)進(jìn)行聚類和重復(fù)數(shù)據(jù)刪除的系統(tǒng)，提升了預(yù)訓(xùn)練中數(shù)據(jù)采樣的質(zhì)量。

此外，Tokenizer 需要平衡提高推理效率的高壓縮率以及適當(dāng)大小的詞匯量，以確保每個詞嵌入的充分訓(xùn)練。在 Baichuan2的訓(xùn)練中，詞匯量從 Baichuan1的64，000個擴(kuò)大到了125，696個。

這些方法，最終使得 Baichuan2在計(jì)算效率和模型性能之間取得了更好的平衡。

在 MMLU、CMMLU、GSM8K 等多項(xiàng)權(quán)威基準(zhǔn)上，Baichuan2均以絕對優(yōu)勢領(lǐng)先 LLaMA2。

如表5所示，在法律領(lǐng)域，Baichuan2-7B-base 超越了 GPT-3.5Turbo、ChatGLM2-6B 和 LLaMA2-7B 等模型，僅次于 GPT-4，與 Baichuan1-7B 相比提高了近30%;在醫(yī)療領(lǐng)域，Baichuan2-7B-base 的表現(xiàn)明顯優(yōu)于 ChatGLM2-6B 和 LLaMA2-7B，與 Baichuan1-7B 相比也有顯著提高。同樣，在這兩個領(lǐng)域，Baichuan2-13B-base 則超越了同尺寸所有模型。

如表6所示，在數(shù)學(xué)領(lǐng)域，Baichuan2-7B base 超越了 LLaMA2-7B 等模型，Baichuan2-13B-base 超越了所有相同規(guī)模的模型，接近 GPT-3.5Turbo 的水平;在代碼領(lǐng)域，Baichuan2-7B base 超越了同等規(guī)模的 ChatGLM2-6B 等模型，Baichuan2-13B-base 優(yōu)于 LLaMA2-13B 和 XVERSE-13B 等模型。

盡管 GPT-4在多語言領(lǐng)域仍占主導(dǎo)地位，但開源模型正緊追不舍。如表7所示，在多語言場景的任務(wù)評估中，Baichuan2-7B-base 在所有七項(xiàng)任務(wù)中都超過了所有同等規(guī)模的模型;Baichuan2-13B 在四項(xiàng)任務(wù)中的表現(xiàn)優(yōu)于相同規(guī)模的模型，其中在 zh-en 和 zh-ja 任務(wù)上超過了 GPT3.5Turbo，達(dá)到了 GPT-4的水平。

更適合中國開發(fā)者的國產(chǎn)開源大模型

對于中國的眾多開發(fā)者來說，Baichuan2的開源是一個令人振奮的好消息。

這就要提到 LLaMA2的「開源爭議」。meta 官宣的第二天，便有開發(fā)者拋出質(zhì)疑:LLaMA2不屬于真正的「開源」，所謂的「可商用協(xié)議」本質(zhì)上附加了許多限制。首先，Llama2的語料庫以英文（89.7%）為主，中文僅占據(jù)其中0.13%，因此在中文場景任務(wù)中并不占優(yōu)勢。其次，Llama2在協(xié)議中明確禁止非英文場景的商用。

Baichuan2的能力完全可以與 LLaMA2相媲美，甚至超越。而且在「免費(fèi)商用」這件事上，Baichuan2實(shí)踐得更加徹底，彌補(bǔ)了中國開源生態(tài)的短板，讓中國開發(fā)者用上了對中文場景更友好的開源大模型。Baichuan2-7B 和 Baichuan2-13B 不僅對學(xué)術(shù)研究完全開放，企業(yè)也僅需郵件申請獲得官方商用許可后，即可免費(fèi)商用。

更具備長期價值的一點(diǎn)是，這次徹底的、完全的開源，能夠幫助大模型學(xué)術(shù)機(jī)構(gòu)、開發(fā)者和企業(yè)用戶更深入的了解 Baichuan2的訓(xùn)練過程，推動社區(qū)對大模型學(xué)術(shù)層面的深入研究。

從理論研究的角度，大模型訓(xùn)練包含海量高質(zhì)量數(shù)據(jù)獲取、大規(guī)模訓(xùn)練集群穩(wěn)定訓(xùn)練、模型算法調(diào)優(yōu)等多個環(huán)節(jié)。每個環(huán)節(jié)都需要大量人才、算力等資源的投入。由于大部分開源模型只能做到對外公開自身模型權(quán)重，卻很少提及訓(xùn)練細(xì)節(jié)，所以企業(yè)、研究機(jī)構(gòu)、開發(fā)者們只能自己摸索著訓(xùn)練模型，或是在開源模型的基礎(chǔ)上做有限的微調(diào)，很難深入。LLaMA2也是一樣，最受關(guān)注的「數(shù)據(jù)處理」層面恰恰沒有開源，因此參考意義有限。

但在總共28頁的 Baichuan2技術(shù)報(bào)告中，團(tuán)隊(duì)詳細(xì)介紹了 Baichuan2訓(xùn)練的全過程，包括數(shù)據(jù)處理、模型結(jié)構(gòu)優(yōu)化、Scaling law、過程指標(biāo)等關(guān)鍵細(xì)節(jié)。

本著協(xié)作和持續(xù)改進(jìn)的精神，百川智能還公布了3000億到2.6萬億 Token 模型訓(xùn)練的 checkponits，供社區(qū)研究使用:

就當(dāng)前的開源生態(tài)來說，這種公布訓(xùn)練模型過程的方式稱得上「首次」。

這些技術(shù)細(xì)節(jié)的開放，對于科研機(jī)構(gòu)研究大模型訓(xùn)練過程、模型繼續(xù)訓(xùn)練和模型的價值觀對齊等極具價值，將極大推動國內(nèi)大模型的科研進(jìn)展。

「開源」與「閉源」:相互競爭，相互促進(jìn)

在這場由 ChatGPT 打響的大模型競賽中，「開源」與「閉源」之爭已經(jīng)上演。正如今年5月的一篇「谷歌內(nèi)部文章」所說，「谷歌、OpenAI 沒有護(hù)城河」，由一兩家科技公司構(gòu)建和維護(hù)的技術(shù)高墻總會被打破，開源的力量將使得大模型技術(shù)真正易用和可用。

而且這種競爭態(tài)勢將長期存在:今后的大模型格局中，「開源」與「閉源」最終會并駕齊驅(qū)，如同手機(jī)操作系統(tǒng)領(lǐng)域的 iOS 和 Android。不斷刷新的模型性能、率先實(shí)現(xiàn)「免費(fèi)商用」、更加全面的社區(qū)生態(tài)，都是開源大模型能獲得更多開發(fā)者支持的優(yōu)勢所在。

縱觀當(dāng)前的開源大模型，達(dá)到 GPT3.5的水平已經(jīng)不再是難題，大家正在探索的重點(diǎn)已經(jīng)變?yōu)槿绾螌?shí)現(xiàn) GPT-4的水準(zhǔn)。比如，前段時間1800億參數(shù)的阿聯(lián)酋大模型 Falcon 發(fā)布，迅速在 Hugging Face 開源大模型榜單上以68.74分超過 LLaMA2位列第一;傳聞中，meta 也在加快開發(fā)新的大語言模型，各項(xiàng)能力對標(biāo) GPT-4，預(yù)計(jì)明年就會推出。

開源大模型的不斷進(jìn)步、相互促進(jìn)，對整個行業(yè)的影響是積極的。未來，開發(fā)者和中小企業(yè)可以以低成本調(diào)用先進(jìn)的大模型，而不必被高昂的研發(fā)、采購成本拒之門外。

百川智能自成立之初，就將通過開源方式助力中國大模型生態(tài)繁榮作為公司的重要發(fā)展方向，并在激烈的競爭態(tài)勢中確立了自己的目標(biāo):2023年內(nèi)還將發(fā)布千億參數(shù)大模型，并在明年一季度推出 「超級應(yīng)用」。

基于行業(yè)領(lǐng)先的基礎(chǔ)大模型研發(fā)和創(chuàng)新能力，百川智能收獲了行業(yè)的高度認(rèn)可:最新開源的兩款 Baichuan2大模型已經(jīng)得到了上下游企業(yè)的積極響應(yīng)，騰訊云、阿里云、火山方舟、華為、聯(lián)發(fā)科等眾多知名企業(yè)均與百川智能達(dá)成了合作。

前段時間，首批大模型公眾服務(wù)牌照正式落地。在今年創(chuàng)立的大模型公司中，百川智能也是唯一一家通過《生成式人工智能服務(wù)管理暫行辦法》備案，可以正式面向公眾提供服務(wù)的企業(yè)。

而 Baichuan 系列大模型的開源，將匯聚社區(qū)中更多的創(chuàng)新力量，加速技術(shù)的迭代與應(yīng)用的拓展。

技術(shù)的進(jìn)步只是第一階段，未來，大模型還需要走到產(chǎn)業(yè)中去，與各行各業(yè)的業(yè)務(wù)實(shí)踐相結(jié)合。如何讓大模型的能力與業(yè)務(wù)場景更好結(jié)合，同樣是當(dāng)下每一家大模型提供商的重點(diǎn)課題，也需要科技公司、學(xué)術(shù)機(jī)構(gòu)和開發(fā)者共同創(chuàng)造。