飞象网讯 （一飞/文）比？12月21日，OpenAI 发布了具有超强推理能力的大模型o3，引起了业内对大模型推理能力的广泛讨论和深入研究。o3的发布也带来了三个引人深思的问题：市面上主流大模型的推理能力究竟如何？在真实应用场景中，是否总是需要具有极强推理能力的模型？在实际应用中，如何根据应用需求选择合适参数量的大模型而避免“用大炮打蚊子”，以获得最高性价
中国联通借鉴动物智能演化规律，结合大模型实际落地应用实践，在业界首次提出大模型能力边界量化基准，定量分析主流语言大模型能力边界，详细刻画模型参数量、模型能力与应用场景之间的关系，为语言大模型的应用选型提供理论和经验指导，将有助于降低语言大模型应用门槛，促进大模型普惠化。相关研究成果以
论文链接：https://arxiv.org/abs/2406.10307
评估基准：https://github.com/UnicomAI/UnicomBenchmark/tree/main/A-Eval
借鉴动物智能演化规律
一般来说，动物的脑神经元越多，脑容量越大，智力水平就越高。另外，不同智力水平的动物擅长的任务种类和难度也各不相同，即使小如乌鸦的大脑，也可以完成“乌鸦喝水”这样的任务。
动物智能演化规律相似地，在语言大模型中，扩展法则指出模型参数量越大，模型能力越强，相应的算法消耗和应用成本也越高。然而这样的定性分析是不够的，大模型能力边界定量刻画的缺乏，导致在实际应用中经常出现“高射炮打蚊子”的情况。因此对大模型能力边界的定量刻画是必要且紧迫的。
构建大模型能力评估基准
中国联通研究团队从实际应用场景维度出发，对语言大模型主要能力进行归纳、梳理和总结，建立了应用驱动的大语言模型能力评估基准。该评估基准包括文本生成、理解、关键信息抽取、逻辑推理、任务规划等5大类能力，又细分为27类子能力。
语言大模型主要能力针对27类子能力，中国联通研究团队构建了相应的评测任务和由易、中、难三个难度等级的678个问答对构成的评估数据集。为避免数据泄露问题，所有数据均由专家团队人工编写。
应用驱动的语言大模型能力评估数据集量化主流大模型能力边界
团队设计了专家评估和基于大模型的自动化评估方法，对同一家族8个不同规模的模型(0.5B, 1.8B, 4B, 7B, 14B, 32B, 72B, 110B)进行测试和评估，避免模型架构、训练数据等非模型参数量因素对评估结果产生干扰，得到了不同参数量模型在各种任务上的可靠的评估结果。从下图的评测结果可以看出，不同参数量模型能力不同，模型参数量越大，模型能力越强，对于复杂任务需要使用大参数量模型。
不同参数量模型在各类任务中的准确率依据能力要求确定模型参数量
根据语言大模型能力边界测评结果，团队提出了一种简单可行的模型选型方法，指导模型落地应用时的参数选型。总的来说，针对不同任务，任务难度越高要求参数越大；针对同一任务，参数越大模型性能越好。具体地，可依据某项任务对模型性能的底线要求来选择相应参数的规模，以图中任务为例：在用户需求准确率为80%的前提下，对于拼写错误校正任务，14B以上模型可获90分以上；对于逻辑错误检测任务，110B以上模型可达90分以上；如果同时应用多个任务，先为每个任务选择合适的模型，再选择其中参数量最大的模型即可。选型过程中不需要用户对大模型有深入了解，这将降低用户选择使用大模型的门槛，促进大模型普惠化。
模型参数量选择方法示例探索设计模型选型使用“说明书”
在元景大模型应用落地中，中国联通基于上述评估基准，打造评估工具，量化1B、7B、13B、34B和70B等元景基础大模型的能力边界，并分别将其用于违规短信分类、投诉工单分类、客服助手、渔业知识问答、元景App问答等场景，提炼“模型参数量-模型能力-应用场景”关联关系（如下图），作为大模型使用“说明书”，集成到元景MaaS平台，为开发者提供选模型指引。
模型参数量-能力-场景的对应关系图接下来，中国联通将继续推进模型边界量化机理研究，扩展和深化“模型参数量-模型能力-应用场景”关联关系，协同业界持续扩展模型能力边界，完善和增强大模型的“记忆-推理-规划-创造-成长-价值观”能力链条，打造自主可控、模态丰富、性能先进、高性价比、安全可信的基础大模型，支撑千行百业场景应用，加速大模型普惠化。
“掌”握科技鲜闻 （微信搜索techsina或扫描左侧二维码关注）
