0 门槛克隆 ChatGPT！30 分钟训完，60 亿参数性能堪比 GPT-3.5
这是「进击的Coder」的第 819 篇技术分享
作者：编辑部
来源：新智元报道
“
阅读本文大概需要 7 分钟。
”【新智元导读】破解「CloseAI」，ChatGPT 克隆羊问世！0 门槛实现「自研」，从此大语言模型不再只是少数大公司的「金手指」。
此前，OpenAI不Open的事件，已经引发了坊间的诸多争议。
光放出基准和测试结果，不提供训练数据、成本、方法，是真的要「赢家通吃」了。
眼看大语言模型似乎要被巨头公司垄断，如今忽然杀出一个初创公司，给了 OpenAI一枪——用 60 亿参数的「Dolly」实现了和 ChatGPT 相似的能力。
没错，我们现在只需要准备一些高质量的训练数据，再随便拿一个开源的大语言模型，训练 30 分钟后，就能得到一个 ChatGPT「平替」！
对此，Databricks 自豪地表示，Dolly 的发布，就是自己在人工智能技术民主化道路上打响的第一弹。
60 亿参数堪比 ChatGPT，30 分钟就训好
由于 ChatGPT 需要消耗大量的数据和算力资源（利用数万亿个单词训练，消耗大量 GPU），所以这类大语言模型注定只能被少量巨头所掌握。
和「CloseAI」相反，Meta 在今年 3 月向学术界发布了一组高质量（但不是指令跟随的）语言模型 LLaMA，每个模型的训练时间超过了 80,000 个 GPU 小时。
随后，斯坦福大学基于 LLaMA 构建了 Alpaca，但不同之处在于，它利用一个包含 50,000 个问题和答案的小数据集进行了微调。令人惊讶的是，这使得 Alpaca 具有了类似于 ChatGPT 的交互性。
而 Dolly 正是受到了 Alpaca 的启发。
更有趣的是，拥有 60 亿参数的 Dolly 并没有利用现在最新的模型，而是选择了一个 2021 年发布的开源模型 ——GPT-J。
由于 Dolly 本身是一个模型的「克隆」，所以团队最终决定将其命名为「多利」——有史以来第一个被克隆的动物。
与当前的大型语言模型（如GPT-3）相比，Dolly 允许用户使用更小、更专业的模型，「复刻」ChatGPT 的能力。
毕竟对于那些细分用户来说，能够利用针对本行业进行过精调的模型，可以大大增加性能和准确性。
尽管 Databricks 与 OpenAI 并无直接竞争关系，但它似乎想通过证明构建类似 ChatGPT 这样的服务并非看起来那么困难，来抢占 OpenAI 的风头。
尤其是，OpenAI 采取了「规模越大越好」的方法来开发语言模型，并对其工作越来越保密。
Databricks 除了将 Dolly 作为开源软件发布外，还强调 Dolly 只有 60 亿个参数（在训练过程中微调的语言模型部分），而 OpenAI 的 GPT-3 模型有 1750 亿个参数。（OpenAI 并未透露 GPT-4 的参数数量）。
让老模型，涅槃重生
根据 InstructGPT 论文中描述的指令跟随能力，对 Dolly 进行评估后发现，它在很多能力上的表现和 ChatGPT 十分类似，包括文本生成、头脑风暴和开放式问答。
在这些例子中，值得注意的不是生成文本的质量，而是在一个小型的高质量数据集上，微调一个旧的开源模型所带来的指令跟随能力的巨大改进。
内容生成
比如，写一条 Databricks 官宣大规模语言模型 Dolly 发布的推特。
可以看到，原始的 60 亿参数模型（GPT-J）所生成的内容驴唇不对马嘴，而 Dolly 则给出了一个完全可用的推文——
不仅内容符合要求，而且还贴心地加上了标签，以及提醒你记得加入发布的链接。
对于这一题，ChatGPT 给出的答案也很符合期待，相比于 Dolly，ChatGPT 给出的推文包含了更多评述性词句，并且标签也更加精准具体，但整体差距不大。
当要写一条出售 Nikon D-750 相机的广告时，可以看到，GPT-J 所生成的内容基本就在胡编乱造，像是在写小说一样杜撰购买和出售相机的剧情……
而 Dolly 则根据 Nikon D-750 相机的特点及优势，给出了一则吸引人的相机转卖广告语，但遗憾的是像素参数不对。
ChatGPT 在这一题上也是圆满完成任务，广告语中突出该款相机的优势，文末仍然贴心地加上了标签。
最后一题：给 Edgar Allan Poe（爱伦·坡）写一封情书。
对此，古早的 GPT-J 直接拒绝回答，究其原因竟然是——爱伦·坡已经去世了，你不能给死人写情书。
而 Dolly 则成功地完成了任务，效果对比起来堪称「涅槃」。
而这种「创造性」问题，显然是 ChatGPT 的强项，它洋洋洒洒地写了 300 多个字。
开放问答
在事实性问题的问答测试上，团队选择了下面这个：「向我解释一下核裂变和核聚变之间的区别。」
先不管对错，GPT-J 全篇都是在讲太阳如何如何，虽然提到了「聚变」这个词，但完全无视了「裂变」。
而 Dolly 第一句就直接点题——核裂变和核聚变的区别在于释放能量的方式，随后简单解释了他们的不同。
相比之下，ChatGPT 给出的回答明显要更加翔实。
头脑风暴
当让它们头脑风暴，给出应该阅读的五本科幻小说的名单，GPT-J 则只是在喃喃自语，像是沉浸在了拖延阅读而产生的愧疚情绪中，完全回避了这个提问。
Dolly 则一如既往的表现稳定，按照指令给出了 5 本科幻小说的书名及其作者。
ChatGPT 对于该问题给出了更加丰富的回答，不仅包括书名和作者，还对每一本书的内容、类型作了简要评述和介绍。
你要 Close，我就 Open
对于很多公司而言，宁愿自己建立一个不那么强的模型，也不愿将数据发送给那些只提供 API 的大语言模型供应商。
其中一个重要原因便是，这些问题和数据集是公司最敏感和专有的知识产权，直接将其交给第三方显然是不靠谱的。
此外，公司自身可能在模型质量、成本和期望行为方面有不同的权衡，一种可定制化的语言模型更加符合需求。
现在，Dolly 的发布给了他们希望——即便是一个「过时」的开源大型语言模型 (LLM)，也能通过 30 分的训练，赋予它神奇的类似 ChatGPT 的指令跟随能力。
不难想象，大语言模型或许很快就不是 AI 巨头公司独占的玩法了！
正如公司 CEO Ali Ghodsi 所说，「我们的信念是，让全世界的每个组织都能利用这些技术。」
参考资料：
https://www.databricks.com/blog/2023/03/24/hello-dolly-democratizing-magic-chatgpt-open-models.html
https://venturebeat.com/ai/databricks-debuts-chatgpt-like-dolly-a-clone-any-enterprise-can-own/
End
崔庆才的新书《Python3网络爬虫开发实战（第二版）》已经正式上市了！书中详细介绍了零基础用 Python 开发爬虫的各方面知识，同时相比第一版新增了 JavaScript 逆向、Android 逆向、异步爬虫、深度学习、Kubernetes 相关内容，同时本书已经获得 Python 之父 Guido 的推荐，目前本书正在七折促销中！
内容介绍：《Python3网络爬虫开发实战（第二版）》内容介绍
扫码购买
好文和朋友一起看~