GPT-4o mini登頂大模型競技場，奧特曼：兩個月內微調免費

基爾西 發自 凹非寺

量子位 | 公眾號 QbitAI

剛剛，GPT-4o mini版迎來「高光時刻」——

登頂了lmsys大模型競技場，和滿血版並列第一，還把Claude 3.5甩在了身後。

不同於一般的數據集測評，大模型競技場是用戶自己出題、用腳投票的結果，無法通過「刷題」來走捷徑，因此更為真實。

這個成績一出，連CEO奧特曼都激動起來了：

面對評估成績，我們本來是儘量矜持的，但是看到GPT-4o mini表現和滿血版一樣，價格卻只有1/20，內心還是很激動。

網民看到之後表示OK，但更關心的還是GPT-4o發佈會上演示的「Her」到底什麼時候上線。

與此同時，OpenAI也送來了另一個好消息，將為開發者送出福利——

GPT-4o mini的微調將逐步開放，目前已開放給tier 4和tier 5用戶，然後會陸續擴展範圍。

而且從即日起到9月23號，每天都能免費使用2百萬的訓練token。

mini與滿血版平起平坐

經過80多款模型上百萬輪的1v1比拚，GPT-4o mini在lmsys榜單上的成績與滿血版只差7分。

按照lmsys榜單的排法，這7分的差距沒有影響名次，把兩個型號算作了並列第一。

緊隨其後的是Claude 3.5和Gemini家族，還有GPT-4的另外兩個版本。

如果我們查看GPT-4o mini的原始數據，會發現它0.6的平均勝率僅次於滿血版本。

單獨看兩者比拚的結果，同樣是打得不相上下。

之所以lmsys的成績受到關注，在於它擁有一套獨特的比拚方式——

不用數據集，而是讓用戶自己出題，隨機拉兩個模型1對1battle，然後選擇哪個模型表現更好。

在給出選擇之前，模型是匿名的，用戶也不知道是哪兩個模型正在比拚，如果模型自己說漏嘴則投票無效。

這樣得到的分數更加真實，既避免了「刷題」獲取虛高分數的可能，也更加接近用戶體驗。

這個大模型競技場，最近還登上了機器學習頂會ICML2024。

而且，lmsys的評測也非常受OpenAI的青睞，GPT-4omini正式上線之前的早期版本，就曾化名為gpt-mini在其中打榜。

當時就已經排行第4，和GPT4-Turbo處在同一水平。

更早一些，GPT-4o上線之前也是化名gpt2-chatbot，在lmsys上搞起了測試。

不過也有人提出質疑，表示雖然GPT-4o mini表現確實很好，但是要說它超過了Claude 3.5 sonnet就有些言過其實了。

有人更是直言，lmsys方法的完善性已經開始瓦解，需要做出改變，否則將不再是一個有用的測試基準。

「小模型」也捲起來了

mini版本的推出，主打的就是一個性價比。

每百萬輸入/輸出tokens，價格分別為15美分和60美分（約1.09/4.36人民幣），甚至還不到3.5 Turbo的一半。

如果和兩年前GPT-3的text-davinci-003版（當時最好的模型）相比，價格更是下降了99%。

而且除了把小模型開放給用戶，OpenAI還搞出了新鮮玩法——

在「超級對齊」團隊的一篇遺作中，使用了參數量為大模型千分之一或百分之一的小模型，來對大模型進行優化。

實驗中，大小兩個模型相互「博弈」，大模型需要不斷優化調整自己的輸出，讓小模型相信自己說的是真話。

在這個「博弈」的過程中，大模型的能力得到了提升，在精度沒有明顯損失的情況下獲得了大幅度的可理解性提升。

除了OpenAI，其他公司也都紛紛搞起了小模型。

比如在GPT-4o mini之前，Google和Anthropic就分別推出了Gemini Flash和Claude 3-Haiku。

甚至可以說，GPT-4o mini就是OpenAI對兩家的反擊，無論是性能還是價格都超越了這兩個模型。

在GPT-4o mini發佈的同一週，抱抱臉Hugging Face，以及「歐洲OpenAI」Mistral都相繼推出了小號模型。

甚至蘋果也推出了自己的7B模型，而且一次性開源了全部訓練過程和資源。

總之，在性能足以滿足使用需求的前提下，小模型無疑是一種更經濟實惠的選擇。

同時，更小的規模也意味著有可能在端側運行，在隱私保護等方面顯現出優勢。

這樣就不難理解，「小」模型為什麼也越來越捲了。

參考鏈接：

[1]https://x.com/sama/status/1815877987696533897/

[2]https://x.com/OpenAIDevs/status/1815836887631946015