机器之心报道
编辑：梓文
开源模型真的超过 ChatGPT了吗？
大模型火了起来，每天我们都能看到各种「大」新闻。
今天，又来了个 Big News：新开源的一个大模型超越了 ChatGPT。
具体是什么呢？
OpenLLM 是一系列在极孝多样且高质量的多轮对话数据集上进行微调的开源语言模型。
这两日，作者们更新了该系列模型，并宣称：OpenChat 模型在 AlpacaEval 上获得 80.9% 的胜率；在 Vicuna GPT-4 评估上，性能达到 ChatGPT 的 105%。
也就是上面推特截图中，两位博主宣称的开源模型超越 ChatGPT/GPT-3.5。
OpenLLM 的特色是基于 LLaMA 开源模型，在只有 6,000 个 GPT4 对话的数据集上进行微调，从而达到非常好的效果。
此次更新的模型型号与评审结果如下：
OpenChat：基于 LLaMA-13B，上下文长度为 2048。
在Vicuna GPT-4 评估中达到 ChatGPT 分数的 105.7% 。
在 AlpacaEval 上达到 80.9% 的胜率。
OpenChat-8192：基于 LLaMA-13B，扩展上下文长度为 8192。
在 Vicuna GPT-4 评估中达到 ChatGPT 分数的 106.6% 。
在 AlpacaEval 上实现 79.5% 的胜率。
也就是说，两个模型在 Vicuna GPT-4 评估榜单上结果都超越了 ChatGPT。
但这种评审 + 宣传的方式似乎并不被大家认可。
网友：夸张
在 Twitter 讨论中，有网友表明，这就是夸张的说法。
在此「大」新闻公布后，Vicuna 官方也迅速做出了回应。
实际上，Vicuna 的测试基准已被弃用，现在使用的是更高级的 MT-bench 基准。该基准的测试，有着更加具有挑战性的任务，并且解决了 gpt4 评估中的偏差以及限制。
在 MT-bench 上，OpenChat 性能表现与 wizardlm-13b 相似。也就是说，开源模型与 GPT-3.5 仍然有着一定差距。这也正是 MT-bench 所强调的内容 开源模型不是完美无缺的，但是这将迈向更好的聊天机器人评估。
前几日，机器之心报道内容《「羊驼」们走到哪一步了？研究表明：最好的能达到 GPT-4 性能的 68%》，也对开源模型的性能进行了评估。
评估还表明，在任何给定的评估中，最佳模型的平均性能达到 ChatGPT 的 83%、GPT-4 的 68%，这表明需要进一步构建更好的基础模型和指令调优数据以缩小差距。
