現在是2023年5月，截止目前，網絡上已經開源了眾多的LLM，如何用較低的成本，判斷LLM的基礎性能，選到適合自己任務的LLM，成為一個關鍵。

本文會涉及以下幾個問題：

影響LLM性能的主要因素

目前主要的模型的參數

LLaMA系列是否需要擴中文詞表

不同任務的模型選擇

影響LLM性能的主要因素

Scaling Laws for Neural Language Models

OpenAI的論文Scaling Laws中列舉了影響模型性能最大的三個因素：計算量、數據集大小、模型參數量。也就是說，當其他因素不成為瓶頸時，計算量、數據集大小、模型參數量這3個因素中的單個因素指數增加時，loss會線性的下降。同時，DeepMind的研究也得出來和OpenAI類似的結論。那么我們可以基本確定，如果一個模型在這3個方面，均做的不錯，那么將會是一個很好的備選。

模型參數量是我們最容易注意到的，一般而言，LLM也只在訓練數據上訓練1個epoch（如果還有算力，其實可以擴更多的新數據），那么，數據集的大小就是很關鍵的參數。訓練OPT-175B的Susan Zhang在Stanford分享的時候，也提到了，如果能夠重新再來一次，她會選擇much much more data。可見數據量的重要性。

了解到Scaling Laws之后，為了降低模型的推理成本，可以在模型參數量降低的同時，增加訓練的數據量，這樣可以保證模型的效果。Chinchilla和LLaMA就是這樣的思路。

除了以上的因素之外，還有一個比較大的影響因素就是數據質量。

Instruction Tuning with GPT-4

在微軟的論文中指出，同樣基于LLaMA模型，使用GPT3和GPT4產生的數據，對模型進行Instruction Turing，可以看到GPT4的數據微調過的模型效果遠遠好于GPT3數據微調的模型，可見數據質量帶來的影響。同樣的，Vicuna的Instruction Turing中，也對shareGPT的數據做了很細致的清洗工作。

所以，如果沒有數量級的差異，在Instruction Turing的時候，可以盡可能拋棄質量差的數據，保留高質量的數據。

目前主要的模型的參數

根據我們上面的推理，訓練數據量是對模型影響最關鍵的因素。LLaMA和chatGLM-6B是目前效果相對比較好的LLM，他們的訓練數據都達到了至少1T tokens。那么如果一個LLM的訓練數據量，少于1T tokens數的話，這個模型可以不用考慮了。

而LLaMA的參數量可以有7B、13B、33B、65B可以選擇，那么在參數量上和可選擇性上，比chatGLM要更優秀。那么，基于這些考慮，LLaMA系列及其變種，是當前更好的選擇。而且，經過Instruction Turing之后，Vicuna已經表現出了非常好的性能，根據微軟的論文（不是伯克利自己的論文），Vicuna已經達到90%的GPT4的效果。這一點和伯克利自己的結論也吻合。

在Vicuna的作者的博客中，作者也提到了vicuna-13B會比vicuna-7B效果好很多。筆者自己微調過這兩個模型，13B確實會比7B的準確率高出5-10%。

同時，int8量化的Vicuna-13B在推理時，只需要20GB的顯存，可以放進很多消費級的顯卡中。

這么看起來，Vicuna-13B確實是一個很強的baseline，目前看到的開源LLM，只有WizardVicunaLM 的效果更優于Vicuna-13B。如果你沒有很多時間調研，那么vicuna-13B會是一個不錯的備選。

LLaMA系列是否需要擴中文詞表

關于LLaMA的一個爭論就是，LLaMA的base model是在以英語為主要語言的拉丁語系上進行訓練的，中文效果會不會比較差？還有就是，LLaMA詞表中的中文token比較少，需不需要擴詞表？

針對問題一，微軟的論文中已經驗證了，經過Instruction Turing的Vicuna-13B已經有非常好的中文能力。

Instruction Tuning with GPT-4

那為什么沒有在很多中文語料上訓練過的LLaMA，能有這么好的中文能力呢？首先，在GPT4的技術報告中提到，即使在數據量很少的語言上，GPT4也有非常好的性能。

GPT-4 Technical Report

LLM表現出了驚人的跨語言能力。我猜其中一個比較重要的原始是采用了byte-level BPE算法構建詞表。這種BBPE算法，將很多字符都拆分到byte級別。比如，雖然詞表中沒有對應的中文字符，但是可以通過組合byte，構建出來原始的中文字符。這部分可以參考文章Dylan：[分析] 淺談ChatGPT的Tokenizer。因此，經過超大規模的語料訓練之后，LLM可以跨不同的語言，表現出很好的性能。

采用BBPE的好處是可以跨語言共用詞表，顯著壓縮詞表的大小。而壞處就是，對于類似中文這樣的語言，一段文字的序列長度會顯著增長。因此，很多人會想到擴中文詞表。但考慮到擴詞表，相當于從頭初始化開始訓練這些參數。因此，參考第一節的結論，如果想達到比較好的性能，需要比較大的算力和數據量。如果沒有很多數據和算力，就不太建議這么搞。

根據開源項目Chinese-LLaMA-Alpaca公布的數據，他們在使用120G的中文語料后（下圖中的Alpaca-Plus-7B和Alpaca-Plus-13B），效果才有不錯的提升，而在使用20G語料時（下圖中的Alpaca-13B），效果還相對比較差。作為對比，原始的LLaMA使用的數據量大概是4T左右（此處是存儲空間，不是token數）。

Chinese-LLaMA-Alpaca

因此，雖然擴詞表看起來很誘人，但是實際操作起來，還是很有難度的，不過如果你有很多數據和算力，這個當我沒說（不是）。

不同任務的模型選擇

上文還提到，LLaMA系列的一大優勢是，有很多不同大小的模型，從7B-65B。上面我們主要討論了13B的模型，還有33B和65B的模型沒有討論。那什么場景下，13B的模型也不夠，需要更大的模型呢？

答案就是，只要你的算力可以支持，就建議上更大的模型。

GPTQ-for-LLaMa

根據GPTQ-for-LLaMa 的數據，可以看到隨著模型的增大，模型在wiki2數據上的困惑度一直在下降。更重要的是，LLaMA-33B經過int4量化之后，PPL低于LLaMA-13B！LLaMA-65B經過int4量化之后，PPL低于LLaMA-33B！并且，LLaMA-33B經過int4量化之后，推理只需要20GB的顯存！！！

看到這個數據，我著實有點小激動。然后立馬開始著手微調33B的模型！！！

當然，從推理成本的角度來看，模型參數量越小，成本越低。那什么情況下可以用小模型呢？回答是，需要根據任務的難易程度選擇模型大小，如果任務很簡單，其實小模型就OK。比如處理一些比較簡單的中文任務，chatGLM-6B將會更合適。中文詞表，再加上推理更好的優化，可以極大降低推理成本。

但如果任務很難，對于語義的理解程度很高，那么肯定是模型越大效果越好。有什么任務是比較難的任務呢？我們來看看什么任務讓GPT4的覺得比較困難。

GPT-4 Technical Report

可以看到，GPT4表現最差的幾個項目分別是Codeforces Rating、AP English Literature、AMC 10和AP English Language（AP是Advanced Placement，美國大學先修課程）。其中有兩個分別是代碼測試和數學測試，語言模型（LM）表現比較差符合預期。但是作為地表最強語言模型，在English Literature和English Language的考試中，這樣的表現，是讓人有點意外的。不過，話說回來，OpenAI對于GPT4的定位，還是一個工具型助手，而不是一個寫文學性文字的模型。RLHF的作用，也是讓模型，盡可能符合人對它的instruction。

因此，如果你的任務是，讓LLM去寫偏文學性的文章，應該要注意兩個方面：1、任務本身有難度，盡可能上能力范圍內的參數量更大的模型；2、數據層面，不要使用Instruction Turing的數據 ，而需要自己去找合適的高質量數據集。