谷歌出手，果然非同凡响。

Gemma 2上周刚刚发布，就在LMSYS竞技场上取得了亮眼的成绩。

在整体评分上Gemma 2拿到了开源模型最高分，而且用27B的参数「以小搏大」，超过了Llama 3-70B-Instruct、Claude 3 Sonnet等更大量级的知名模型。

开源模型的头把交椅真的要易主Gemma了？

对于这个成绩，谷歌研究院首席科学家Jeff Dean也发文庆祝。

很高兴看到新版Gemma-2-27B模型成为LMSYS上最好的开源模型（击败了一些相当大的模型）。

我们认为，27B对于很多场景来说确实是一个非常好的规模，而Gemma-2-27B也是一个非常好的模型！

不仅是总体评分，在LMSYS昨天刚发布的「多轮对话」排行榜上，Gemma 2的表现依旧强劲。

LMSYS表示，LLM的多轮对话在当今许多应用场景中非常重要。

在竞技场的投票中，多轮对话的占比为14%，占到了不可忽视的比例。

因此他们推出了新的排行类别「多轮对话」，其中包括两轮或多轮的测试，以衡量模型在更长时间内交互的能力。

在这个全新的排行榜中，Claude家族的排名显著提升。

总分屈居亚军的Claude 3.5 Sonnet，成功地与GPT-4o并列第一；Claude 3 Opus也从原来的第8名跃居第三。

我们本次的主角Gemma 2也实现了2个名次的进步，进入前十行列，而且压了Llama 3-70B-Instruct一头。

在Gemma 2放出9B和27B两个版本的同时，DeepMind研究员Clement在推特上透露，接下来还会有2B版本和大家见面！

曾经只靠开源「一招鲜」的Meta终于迎来了强劲对手。Gemma 2和Llama 3的竞争想必会在未来一段时间内持续下去。

Gemma为什么这么强？

为什么27B的Gemma 2能打败70B的Llama 3？谷歌究竟用了什么技术实现如此高的参数效率？

或许我们可以从官方发布的技术报告中找到蛛丝马迹。

报告地址：https://developers.googleblog.com/en/fine-tuning-gemma-2-with-keras-hugging-face-update/

训练数据方面，可想而知，并没有具体的数据来源和组成，只有数据量。

由于Gemma既没有多模态又不针对多语言任务，因此训练语料只包含各种类型的文本和代码，且主要语言为英语。

27B模型的训练数据有13万亿token，9B模型和2.6B模型则分别为8万亿、2万亿token。

架构上，Gemma 2从Gemini团队和Gemma 1沿用了很多方面，包括旋转位置编码（RoPE）、SentencePiece分词器、Logit软上限、GeGLU激活函数等等。

相比Gemma 1，Gemma 2采用了更深的网络，且在某些部分做了更新——

局部滑动窗口和全局注意力

Gemma 2交替使用局部滑动窗口和全局注意力，滑动窗口大小设置为4096 token，而全局注意力层的设置为8192 token。

这种方法在正确捕捉文本细节的同时，又能保持对上下文和全局的正确理解。

知识蒸馏

能够训练出有竞争力性能的9B和27B模型，成功的知识蒸馏过程估计是最为重要的环节。

传统训练大语言模型的方法主要是根据之前的token，预测下一个token，需要大量的数据进行训练。

但是，人类的学习过程并不依赖走量的知识输入。比如，一位学生由于阅读原著的需要学习一门外语，他并不需要看遍所有的书籍，只需要以一本书为纲，通过理解后融会贯通。

而知识蒸馏法与人的学习过程更加类似。一个小模型向另一个已经进行过预训练的大模型学习，通过这种方式助产小模型对于token的预测。

站在老师模型的肩膀上，学生模型能用较少的训练数据、更少的参数量提升性能。

用LMSYS数据微调，引AI2研究员质疑

开源模型界终于在Llama之后迎来了Gemma 2这个最新的扛把子选手，就在大家忙着兴奋的同时，Allen AI的研究员Nathan Lambert冷静地在技术报告中发现了华点：

微调数据的来源包括LMSYS的聊天数据集！

似乎是预想到了可能的质疑，论文中特意强调只使用了prompt，把答案剔出去了。

Lambert依旧不认可这种行为。他发了一篇推特，疑惑的语气中带着一丝嘲讽：为了在竞技场上刷分数，你们谷歌团队挺有想象力的。

这位Nathan Lambert其实算是LLM领域比较资深的专业人士，他博士毕业于UC伯克利大学，在DeepMind和FAIR都有实习经历。

针对Lambert的质疑，LMSYS随后回复了一篇意义不明的超长推特，似乎透露出了为谷歌辩护的隐晦立场。

推特全文如下：

从一开始，Chatbot Arena的使命就是通过人类偏好来解决LLM的评估问题。

通过开放我们的数据集和论文，我们希望社区能研究真实世界的prompt，并利用这些数据改进模型（就像ImageNet的训练集一样）。

我们相信，通过实时和新鲜的用户投票，Arena比静态基准测试如MMLU更不容易过拟合。

现在，有些人可能对以下两个方面存在质疑——（1）prompt重复的程度和（ 2）数据分布。这正是我们开放数据和论文研究的原因。

我们的Llama-3博客文章显示，经过去重之后，大约10%的重复对结果的影响很小。此外，论文还包括对prompt分布的主题建模，展现了跨语言的多样化使用案例。

展望未来，我们计划深入了解数据的新鲜度和分布。也欢迎大家用新任务来挑战模型，研究我们的100万prompt和偏好数据，或者加入我们的Kaggle挑战。

这有些让人摸不着头脑，既说「用数据改进模型是受欢迎的」，又说「我们开放数据和论文是为了回应质疑」。

发帖的Lambert也同样被搞糊涂了，他进一步阐明了自己的立场。

「感觉我们讨论的不是同一件事，我的观点依旧成立。很可能有更多的人也在这样做，但我们并不知道。」

LMSYS最新回复的内容更加让人内心复杂——

「对不起，虽然我贴上了你的推特，但不是在特意回复你。」

对于微调应不应该使用LMSYS数据这个问题，评论区的网友也吵得热火朝天。

有些人觉得Lambert的质疑毫无道理。毕竟LMSYS公开了数据集，用来做微调有什么不可以的？而且只使用了prompt，答案是教师模型生成的。

毕竟大家都在看LMSYS的聊天机器人Arena的分数，如果大家都不用这个数据才比较出乎意料。

这个立场得到了大部分人的认同。虽然谷歌是为数不多的坦诚，敢把用了LMSYS数据这件事写进论文，但他们绝对不是第一个使用这些数据的人。

「我打赌GPT-4o和Llama 3也这么干了。」

毕竟在一段时间内，LMSYS竞技场曾经是唯一可信的基准测试。

而这也正是Lambert所担心的——LMSYS是业界为数不多的得到大多数人认可的基准测试，如果大家再用它的数据微调甚至训练，岂不很快又会失去公信力？

更糟糕的情况是，不是每一个模型都像Gemma 2这样会承认这件事。

不少观点比较中肯的网友也点出了这一点。

「我相信这会降低Arena的信噪比。」

看来在基准测试领域，重复的历史总在不断上演，而那个金句也总是适用——

「当一个衡量标准成为目标时，它就不再是一个好的衡量标准了。」

文章来源于“新智元”，作者“新智元”