近期有很多工作比如Alpaca、Vicuna、Koala等论文宣称通过收集到的大量chatgpt output，在基于开源大模型如LLaMA上进行微调后的模型就接近甚至超过chatgpt效果。有些看热闹不嫌事大的媒体渲染诸如“复制chatgpt，仅需100美元“，”开源大模型超过chatgpt“啦。但事实真的如此吗？来自UC Berkeley的研究团队在The False Promise of Imitating Proprietary LLMs这篇论文中分析的这些模型的效果，并给出结论”还差的远呢“。相信这些经验能指导我们怎么做大模型，以及大模型的核心到底是什么。让我们一睹为快把。

这里有两个概念后面会被反复使用到，因此提前定义下：

(相关资料图)

proprietary model: 标题中的proprietary LLMs指的就是chatgpt这种闭源的专有模型，参数不进行开放，我们只能获取到模型的输出信息，而无法模型参数、生成过程中词语的概率等信息。

imitation model: 指的是通过模仿proprietary model的输出而进行训练的开源模型。

先说结论

大模型的壁垒在于训练的foundation model的好坏，这要求我们我们训练更强，更大的基础模型。而在style、persona方面的差异性则不是壁垒，因为别的模型可以通过很少的样例就能学习到这些信息。这点也说明了为啥现在所有的大公司都在自己训练基础大模型，因为这才是真正的关键。

众包的人工评测是不靠谱的（未来应该怎么评测大模型好坏依然是questionable的，或者需要极强的专家知识，比如需要MIT的博士用专业领域知识评估），很多imitation model 很容易就模仿到chatgpt输出答案的风格，即style，而没有达到chatgpt输出答案的正确认识、即factuality。因为很多情况下众包人员缺乏领域知识，而无法判断两个模型输出是否有事实错误，因此倾向于认为两个模型是打平，甚至是好于chatgpt的。

开源模型和chatgpt仍然具有很大的差距，尤其在涉及factuality的问题上，比如需要领域知识，以及coding，reasoning，math problem solving等问题上。

方法

作者定义了两种imitation，一种是task-specific的imitation，这种是在特征任务上收集足够多的chatgpt的输出，然后训练小模型，这种imitaion目的是想要在特定任务，特定领域上达到chatgpt的效果。一种是broad-coverage imitation，就是利用人们在网上公开的自己的问题以及chatgpt的回复，这些数据集一般包含千罗万象，什么问题都有，这种imitation是想要在整体效果上达到chatgpt效果。现在公开的大多模型属于后一种。

broad-coverage imitation常见数据集有：

ShareGPT，大约90K用户和ChatGPT的对话信息。

HC3，大约27K用户的提问以及ChatGPT的回答信息。

Discord ChatGPT Bots， 大约10K来自社区（reddit等）提供的用户和ChatGPT的交流信息。

对于task-specific imitation，作者构造了6K的QA pair，其中问题是来自Natural Questions这个数据集，里面大多是一些关于维基百科的事实性问题，而回答都来自ChatGPT，这个数据集称为NQ-Synthetic。

对于broad-coverage imitation，作者将上面提到的三个数据集进行清洗、去重后构建了一个新的称之为ShareGPT-Mix的数据集。

作者在这两个数据集上对从1B到13B大小的模型进行finetune，来探究imitation model的效果究竟如何。

实验结果

task-specific imitation效果分析

在NQ-Synthetic数据finetune后效果有持续变好，并且在模型参数量上去后，效果有持续的逼近chatgpt，说明如果是想在某个领域上达到chatgpt的效果，那么imitation这种方法是可行的。

在ShareGPT-Mix上finetune后在问答效果反而下降了，这可能是模型学习chatgpt的输出风格而折损了部分性能。

broad-coverage imitation效果分析

提升imitation model 训练的数据量不会提升效果，可以看到一开始的时候模型就饱和了，右上图的结果也说明了在broad-coverage imitation训的太多反而会降低在natural question 数据集上的效果。

提升imitation model 的参数量可以显著的提升模型的效果，说明基础模型的效果才是关键。

用GPT-4作为裁判判断两个模型的好坏

趋势和上面的评测是一致的，说明在一定程度上用gpt-4作为裁判来判定chatgpt和imitation model的效果好坏是可行的。

例子

一个关于强化学习的问题，chatgpt回答的很好，而imitation model回答有很多的事实错误。其中红色部分是事实错误部分，可以看到imitation model回答的像模像样，但是错误百出。如果不是对强化学习有足够的了解的评估人员，可能就被骗了。

Discussion

这篇论文最有含金量的部分就在讨论部分，我们以结论为主，感兴趣的同学可以看原文的分析。

现有的开源模型和chatgpt的差距还很大，主要是在需要factuality的任务上，比如reasoning， math problem solving，一些专业问题上。

现有open-source LLM最大的limitation就是基础模型的能力太弱了，只有13B参数量想要达到chatgpt的效果是远远不够的。因此开源社区应该努力训练更大更好的开源模型，而不是finetuning更多chatgpt的output。

在broad-coverage数据集上finetune并不会提升模型对于事实性问题回答的准确性，甚至可能降低效果。侧面也印证了大模型的能力主要是来自于预训练阶段，和Meta的LIMA: Less Is More for Alignment这篇论文的假设一致。

在task-specific数据集上finetune可以提升相应领域上的效果。

imitation model学习到的是style而不是content。

大模型如何评估将变得很困难，因为已经验证目前的众包人工评测已经是不可行的，而不能总让gpt-4评测吧，比如我就要超过gpt-4，怎么能让gpt-4既当运动员又当裁判呢？

imitation model继承了teacher model的safety以及toxicity style，因此如果已经训练好的一个强大的foundation model，而没有钱像openAI 那么豪雇几百个专家做safety & alignment，那么可以尝试用imitation的方式对齐。

pre-training阶段是LLM能力的主要来源，finetuning只是一个轻量级的方法来引诱出这些知识，此处再次cue到LIMA。

如果是采用imitation这种方法，那么很可能会加剧幻觉hallucination问题，因为imitation model要强行学习proprietary model的输出，而这些输出可能原本就再它能力之外。

如果偏偏就想用imitaion的方式获得chatgpt的性能，作者说那就不是简简单单用几十上百K的数据微调这么简单，应该覆盖方方面面的知识，这个量级可能和需要的预训练数据量级相当。(: 有这个量级的数据我还finetune啥

大模型的壁垒在于foundation model训练的好坏，因此使劲堆积起来模型参数量，模型训练token数量让你的基础模型更强大吧。

如果两个公司用同样的fondation model， A公司在输出style和persona等方面作了优化，那么B公司很快可以通过模仿A公司的输出来白嫖到A公司的优化，因此这方面的积累是技术壁垒。

人工评测有很大问题，但目前还不知道怎么解决。