7月21日，独角兽Stability AI联合CarperAI实验室发布基于Llama 2 70B微调的新模型FreeWilly 2，以及基于Llama 1 65B微调的新模型FreeWilly 1。
在最新的 HuggingFace 的 Open LLM 排行榜上，FreeWilly 2拿下开源模型第一，平均得分比Llama 2高了4个百分点。
排行榜链接：https://huggingface.co/spaces/HuggingFaceH4/open_llm_leaderboard
模型地址：https://huggingface.co/stabilityai/FreeWilly2
模型地址：https://huggingface.co/stabilityai/FreeWilly1-Delta-SafeTensor
FreeWilly 模型采用了基于标准Alpaca格式，并经过监督微调（SFT）的全新合成数据集来进行训练。
根据官方的介绍，FreeWilly 2 在基准测试中表现优异，甚至有部分任务还超过了GPT-3.5。这样，FreeWilly 2 成了首个可以和 GPT-3.5 相抗衡的开源大模型，连前几天被称为「最强开源模型」的Llama 2也未达成。
Stability AI在官方博客中表示，FreeWilly 模型的训练方法是受到微软论文《Orca: Progressive Learning from Complex Explanation Traces of GPT-4》的直接启发。所以 FreeWilly 模型的数据生成过程与它相似，但两者的数据来源却存在差异。
论文链接：https://arxiv.org/pdf/2306.02707.pdf
FreeWilly 的数据集包含了 60 万个数据点（大约是原始 Orca 论文使用的数据集大小的 10%），它是通过以下由 Enrico Shippole 创建的高质量指令数据集来启发语言模型生成的：
通过这种方法，Stability AI用一个较简单的 LLM 模型生成了 500,000 个示例，又用一个较复杂的 LLM 模型生成了 100,000 个示例。为了确保比较的公平性，Stability AI对这些数据集进行了仔细筛选，删除了来自评估基准的示例。尽管训练的样本量只有原始 Orca 论文的十分之一，但所生成的 FreeWilly 模型在各种基准测试中都表现出了卓越的性能，这也验证了合成生成数据集方法的可行性。
为了评估 FreeWilly 模型的性能，Stability AI的研究人员采用了 EleutherAI 的 lm-eval-harness 基准，并加入了AGIEval基准。
lm-eval-harness 基准：由 EleutherAI 非盈利人工智能研究实验室创建，是一个专门为 LLM 进行 few shot 任务测评的工具，包括了 200 多种指标的测评。HuggingFace Open LLM 排行榜就使用了该基准来进行指标（ ARC (25-s), HellaSwag (10-s), MMLU (5-s) 及 TruthfulQA (MC) ）计算。
AGIEval 基准：由微软创建，专门用于评估基础模型在「以人为本」（human-centric）的标准化考试中，如高考、公务员考试、法学院入学考试、数学竞赛和律师资格考试中的表现。
论文链接：https://arxiv.org/pdf/2304.06364.pdf
数据链接：https://github.com/microsoft/AGIEval
FreeWilly 1 和 FreeWilly 2 在 lm-eval-harness 基准上的评估结果如下：
FreeWilly 1 和 FreeWilly 2 在 AGIEval 基准上的评估结果如下（全部是 0-shot）：
FreeWilly 1 和 FreeWilly 2 在 GPT4ALL 基准上的评估结果如下（全部是 0-shot）：
从结果上看，FreeWilly 1 和 FreeWilly 2在多个方面都表现优秀，包括复杂的推理、理解语言的微妙之处，以及回答与专业领域相关的复杂问题（如法律和数学问题解决）。显然，开源模型正在进一步缩小与ChatGPT等最领先闭源模型的差距。
不过，虽然两个模型都是开放获取的，但官方表示，「这两款模型都是研究实验，是以非商业许可的形式发布的，仅可用于研究目」。
参考：
https://stability.ai/blog/freewilly-large-instruction-fine-tuned-models