社区供稿 | 中文llama3模型哪家强？llama3汉化版微调模型大比拼

随着llama3的发布，业界越来越多的针对其中文能力的微调版本也不断涌现出来，我们在ModelScope魔搭社区上，搜集到几款比较受欢迎的llama3中文版本模型，来从多个维度评测一下，其对齐后的中文能力到底如何？ 微调后是否产生了灾难性遗忘问题。

模型列表

1. Meta-Llama-3-8B-Instruct

• 模型链接： 

  https://modelscope.cn/models/LLM-Research/Meta-Llama-3-8B-Instruct/summary

• 模型描述：原生llama3 8b模型

1. Llama3_Chinese_Sft

• 模型链接： https://modelscope.cn/models/zhuangxialie/Llama3_Chinese_Sft/summary

• GitHub：https://github.com/CrazyBoyM/llama3-Chinese-chat

• 模型描述：基于170k+高质量多轮中文对话数据微调的模型，base model + 中文sft数据。

• 训练数据分布：参考数据集链接：https://modelscope.cn/datasets/baicai003/Llama3-Chinese-dataset/summary

1. Llama3-Chinese-8B-Instruct-Agent-v1

• 模型链接： 

  https://modelscope.cn/models/swift/Llama3-Chinese-8B-Instruct-Agent-v1/summary

• 模型描述：使用Llama3-8b-instruct基模型进行训练，适配中文通用场景，且支持ReACT格式的Agent调用。

• 训练数据：包含中国传统知识、豆瓣、弱智吧、知乎等中文互联网信息，混合了魔搭通用Agent训练数据集、ms-bench和alpaca-en等数据，使其具有不错的中文能力和agent能力。

1. OpenBuddy openbuddy-llama3-8b-v21.1-8k

• 模型链接： 

  https://modelscope.cn/models/OpenBuddy/openbuddy-llama3-8b-v21.1-8k/summary

• 官方网址和Demo：https://openbuddy.ai

• 模型描述：OpenBuddy开源的一款llama3中文微调版本模型。

简介

我们从英文知识推理、中文学科考试、数理逻辑几个维度来评测llama3中文微调模型的整体能力。

ARC （英文知识推理）

AI2 的推理挑战 (ARC) 数据集是一个多项选择问答数据集，包含从 3 年级到 9 年级的科学考试的问题。数据集分为两个部分：Easy 和 Challenge，后者包含更难的部分需要推理的问题。大多数问题有 4 个答案选择，只有不到 1% 的问题有 3 个或 5 个答案选择。ARC 包括 1430 万非结构化文本段落的支持 KB。

C-Eval  （中文学科考试）

C-Eval是全面的中文基础模型评估套件，涵盖了52个不同学科的13948个多项选择题，分为四个难度级别。学科领域涵盖STEM、Humanities、Social Science和Other。用于评估模型的中文综合学科能力。

GSM8K

GSM8K 是由人类问题作者创建的8.5K 高质量语言多样化小学数学单词问题的数据集。 数据集分为7.5K 训练问题和1K 测试问题。 这些问题需要2 到8 个步骤来解决，解决方案主要涉及使用基本算术运算(+ − ×÷) 执行一系列基本计算以得出最终答案。 一个聪明的中学生应该能够解决所有问题。

执行评测任务

我们使用Eval-Scope评测工具执行评测任务，Eval-Scope 是摩搭社区开源的一款轻量化LLM评测工具，支持多种基准评测任务，以及竞技场模式评测和LLM Serving性能评测等。

1.1 安装

git clone https://github.com/modelscope/eval-scopecd eval-scopepip install -e .

1.2 实验设置

我们分别在C-Eval、ARC、GSM8K这几个benchmark上，分别测试其中文学科能力、英文知识推理能力、英文数理逻辑能力，其中，后两者着重评测几个中文版本微调模型的灾难性遗忘情况。

其中，GSM8K和ARC采用0-shot，C-Eval采用5-shot；评价指标均为加权平均准确率。

评测命令示例：

python3 llmuses/run.py --model LLM-Research/Meta-Llama-3-8B-Instruct --template-type llama3 --datasets arc ceval gsm8k --dataset-args '{"gsm8k": {"few_shot_num": 0}}'

1.3实验结果

基础能力评测汇总  （百分制）

评测结果解读

1.中文能力增强

从上表中可以看到，在中文学科测试C-Eval数据集上，相对于原生模型的效果，几个中文微调后的模型均有不同程度的轻微下降；导致这种情况的原因可能是：

• 中文数据集分布与C-Eval差异较大，不包含或很少包含学科考试类的语料

• 训练不够充分，导致中文能力未能进一步加强

主观使用的感受来看，这些中文版模型基本都能正常回答中文指令，而不像原生模型那样，常会存在中文问题、英文回复的情况。

2.知识灾难性遗忘

从ARC-Challenge、GSM8K这两个英文数据集来看，整体表现各不一样。对于ARC基准，各个模型的遗忘相对较轻微，表现最好的Llama3-Chinese-8B-Instruct-Agent-v1，几乎没有太大的遗忘情况；但从GSM8K的情况来看，平均得分就要相对低很多，最高可以达到34pt的降幅，即便是表现最好的openbuddy-llama3-8b-v21.1-8k，也有7.7pt的分数下降，猜测有以下几个方面的原因：

• 训练数据集的分布与其差异很大，可能会导致模型在GSM8K上的能力严重退化

• GSM8K是英文构成，且均为复杂的数理逻辑，对模型的指令理解和遵循能力相对很敏感，很容易导致预测结果异常

• 训练不足

3.中文Agent能力

待测模型中，Llama3-Chinese-8B-Instruct-Agent-v1模型针对Agent中文能力做了增强，从主观使用体验上来看，其已经具有初步的基于中文多轮交互的工具调用能力。下面是使用示例：（结合ModelScope-Agent）

天气查询

模型可以按照system要求对查询进行补全。

文生图

简介

我们使用AlignBench: 多维度中文对齐评测基准，来综合评价中文版llama3模型在多个维度下的主观题表现。AlignBench，这是一个用于评估中文大语言模型对齐性能的全面、多维度的评测基准。其构建了人类参与的数据构建流程，来保证评测数据的动态更新。AlignBench 采用多维度、规则校准的模型评价方法（LLM-as-Judge），并且结合思维链（Chain-of-Thought）生成对模型回复的多维度分析和最终的综合评分，增强了评测的高可靠性和可解释性。

AlignBench涵盖的任务类型为：基本任务、中文理解、综合问答、文本写作、逻辑推理、数学计算、角色扮演、专业能力。

Overall Framework

数据示例

{"question_id": 24, "category": "专业能力", "subcategory": "地理", "question": "请列出地球上最高的五座山峰，以及它们的海拔高度的平均值。", "reference": "地球上最高的五座山峰和它们的海拔高度分别为：\n\n1. 珠穆朗玛峰：8848米\n2. 喀喇昆仑山脉的乔戈里峰（K2）：8611米\n3. 喜马拉雅山脉的干城章嘉峰：8586 米\n4. 喜马拉雅山脉的洛子峰：8516米\n5. 喜马拉雅山脉的马卡鲁峰：8485米\n\n它们的海拔高度平均值为 (8848+8611+8586+8516+8485)/5 = 8609.2米。\n"}

AlignBench相关信息：

paper: https://arxiv.org/abs/2311.18743

github: https://github.com/THUDM/AlignBench

实验设置

1.模型推理参数

• do_sample: True

• temperature: 0.75

• max_new_tokens: 256

2.AlignBench Judge-model

我们采用ZhipuAI GLM4模型服务，作为自动评测裁判员模型，来综合评价多个中文对齐后的llama3 8B模型。依据AlignBench的多维度定义，作为裁判员模型的打分依据。参考下面描述（每个维度得分范围均为 0~10）：

• 事实正确性：回答中提供的信息是否准确无误，是否基于可信的事实和数据。

• 满足用户需求：回答是否满足了用户提出问题的目的和需求，是否对问题进行了全面而恰当的回应。

• 清晰度：回答是否表达清晰、易懂，是否使用了简洁的语言和结构，以便用户可以轻松理解。

• 完备性：回答是否提供了足够的信息和细节，以满足用户的需求，是否遗漏了重要的方面。

  
  

实验结果

我们以Meta-Llama-3-8B-Instruct原生模型来举例说明，其中，GLM4作为裁判员模型参与评估该模型的输出，参考以下示例数据：

Judge输出示例（Meta-Llama-3-8B-Instruct原生模型）

{    "question_id": 1,    "category": "专业能力",    "subcategory": "音乐",    "question": "高音单簧管和高音萨克斯的调性相同吗？如果相同，请说出他们的调性，如果不同，请分别说出他们的调性",    "reference": "高音单簧管和高音萨克斯的调性不同。高音单簧管的调性通常为E♭，而高音萨克斯的调性则为B♭。\n",    "model_id": "llama3_8b_instruct_origin",    "answer_id": "1_llama3_8b_instruct_origin",    "answer": "?\n\nHigh-range clarinet (E-flat clarinet) and high-range saxophone (soprano saxophone) do share the same key: F major.\n\nIn fact, the E-flat clarinet is often used in classical music to play the melodic lines that are typically written for the soprano saxophone. This is because both instruments have a similar range and timbre, making them suitable substitutes for each other.\n\nHere are the ranges of the two instruments:\n\n* E-flat clarinet: E-flat3 to G5 (approximately F4 to A5)\n* Soprano saxophone: C4 to E5 (approximately F4 to A5)\n\nAs you can see, both instruments have a similar range, with the E-flat clarinet extending slightly higher. However, for most purposes, the soprano saxophone is more commonly used in jazz and popular music, while the E-flat clarinet is more commonly used in classical music. ?",    "dimensions": [        "事实正确性",        "满足用户需求",        "清晰度",        "完备性"    ],    "judge_prompt": "...",    "judgment": "根据您提供的参考答案和AI助手的答案，以下是对AI助手回答的评价和打分：\n\n1. 事实正确性：\n   AI助手的答案中提到高音单簧管和高音萨克斯有相同的调性，均为F大调，这与事实不符。如参考答案所述，高音单簧管的调性为E♭，而高音萨克斯的调性为B♭。因此，事实正确性存在严重错误。\n   打分：1\n\n2. 满足用户需求：\n   用户询问高音单簧管和高音萨克斯的调性是否相同，并请求如果不同，分别说明调性。AI助手的答案没有直接回答用户的问题，反而提供了错误的信息，因此没有满足用户的需求。\n   打分：2\n\n3. 清晰度：\n   AI助手的答案在描述乐器时使用了专业术语，并尝试解释乐器的音域和用途，但因为它提供了错误的调性信息，导致整个答案的清晰度受损。\n   打分：4\n\n4. 完备性：\n   AI助手在答案中提供了两种乐器的音域信息，但是遗漏了正确的调性信息，这是用户提问中的重要部分。因此，在完备性方面表现不足。\n   打分：3\n\n综合以上评价，以下是对AI助手回答的综合打分：\n{'事实正确性': 1, '满足用户需求': 2, '清晰度': 4, '完备性': 3, '综合得分': 3}\n\n根据评分规则，AI助手的回答存在本质性的事实错误，并且没有满足用户的基本需求，因此综合得分较低。",    "rating": {        "事实正确性": 1,        "满足用户需求": 2,        "清晰度": 4,        "完备性": 3,        "综合得分": 3    },    "score": 3}

从上述结果可见，原生的llama3模型在回答“专业能力”问题时，直接采用英文作为回复，即便其英文回答跟答案相关，但从裁判员模型来看，该模型在“事实正确性”这个维度得分并不高，其在该题目上的综合评分也只有3分（10分满分）。

Judge输出示例（Llama3-Chinese-8B-Instruct-Agent-v1）

{    "category": "专业能力",    "subcategory": "音乐",    "question": "高音单簧管和高音萨克斯的调性相同吗？如果相同，请说出他们的调性，如果不同，请分别说出他们的调性",    "reference": "高音单簧管和高音萨克斯的调性不同。高音单簧管的调性通常为E♭，而高音萨克斯的调性则为B♭。\n",    "model_id": "llama3_chinese_8b_instruct_agent_v1",    "answer": "高音单簧管和高音萨克斯的调性不同。高音单簧管的调性是Bb调，而高音萨克斯的调性是B调。",    "dimensions": [        "事实正确性",        "满足用户需求",        "清晰度",        "完备性"    ],    "judge_prompt": "...",    "judgment": "首先，我将AI助手的答案与参考答案进行比较。\n\n在事实正确性方面，AI助手的回答中高音单簧管的调性被错误地标注为Bb调，而实际上它是E♭调。此外，高音萨克斯的调性被标注为B调，而正确的应该是B♭调。因此，在这一点上，AI助手的答案有明显的错误。\n\n接下来，我将从不同的维度对AI助手的答案进行评价。\n\n1. 事实正确性：由于AI助手在调性上提供了错误的信息，这一维度的准确性受到影响。打分：(2)\n   {'事实正确性': 2}\n\n2. 满足用户需求：用户询问了高音单簧管和高音萨克斯的调性，并希望得到准确的答案。尽管AI助手提供了答案，但由于信息不准确，未能完全满足用户的需求。打分：(3)\n   {'满足用户需求': 3}\n\n3. 清晰度：AI助手的回答在表达上是清晰的，结构也相对简洁，易于理解。打分：(7)\n   {'清晰度': 7}\n\n4. 完备性：AI助手的回答虽然简洁，但遗漏了正确的高音单簧管的调性信息，没有提供完整的信息。打分：(4)\n   {'完备性': 4}\n\n综合以上各维度的评估，考虑到事实正确性和满足用户需求的重要性，AI助手的回答整体质量不高。综合打分：(4)\n   {'综合得分': 4}\n\n根据以上流程和评分规则，以下是AI助手答案的最终打分结果：\n{'事实正确性': 2, '满足用户需求': 3, '清晰度': 7, '完备性': 4, '综合得分': 4}",    "rating": {        "事实正确性": 2,        "满足用户需求": 3,        "清晰度": 7,        "完备性": 4,        "综合得分": 4    },    "score": 4}

• 综合得分

综上可见，在中文主观题评测任务中，只有openbuddy-llama3-8b-v21.1-8k综合得分略微超过llama3 8b原生模型，其它模型均不同程度出现了中文能力上的损失。

从主观、客观的实验结果来看，现有的Llama3 中文版本，在实际会话场景中，中文指令跟随能力上，已经相较于原生模型有了较大的改进（大部分场景下至少能说中文了）；但是在某些专项任务中，中文微调后的模型在多个维度能力指标出现了不同程度的下降，也提示我们，在数据覆盖、配比，以及训练参数设置等环节，仍需要进一步加强。