Llama3-8B到底能不能打？实测对比

最新推荐文章于 2025-04-01 10:15:07 发布

AGI大模型学习

最新推荐文章于 2025-04-01 10:15:07 发布

阅读量1.7k

点赞数 39

文章标签： prompt 人工智能大模型 AI大模型

本文链接：https://blog.csdn.net/2401_84495872/article/details/140545169

版权

前几天Meta开源发布了新的Llama大语言模型：Llama-3系列，本次一共发布了两个版本：Llama-3-8B和Llama-3-70B，根据Meta发布的测评报告，Llama-3-8B的性能吊打之前的Llama-2-70B，也就是说80亿参数的模型干掉了700亿参数的模型，这个还真挺让人震惊的。

Llama-3-8B真的有这么强吗？

鉴于8B的模型可以在24G显存下流畅运行，成本不高，我就在AutoDL上实际测试了一下。

测试方案

使用的是我之前在AutoDL上发布的一个大语言模型WebUI镜像：yinghuoai-text-generation-webui （这个WebUI可以对大语言模型进行推理和微调），显卡选择的是 4090D 24G显存版本，使用三个问题分别测试了 Llama-3-8B-Instruct（英文问答）、Llama-3-8B-Instruct（中文问答）、llama3-chinese-chat、Qwen1.5-7B-Chat。其中llama3-chinese-chat是网友基于Llama-3-8B-Instruct训练的中文对话模型，项目地址：github.com/CrazyBoyM/l…

三个问题分别是：

小明的妻子生了一对双胞胎。以下哪个推论是正确的?
1. A.小明家里一共有三个孩子
2. B.小明家里一共有两个孩子。
3. C.小明家里既有男孩子也有女孩子
4. D.无法确定小明家里孩子的具体情况
有若干只鸡兔同在一个笼子里，从上面数，有35个头，从下面数，有94只脚。问笼中各有多少只鸡和兔？
请使用C#帮我写一个猜数字的游戏。

这三个问题分别考察大语言模型的逻辑推理、数学计算和编码能力。当然这个考察方案比较随意，但是也能发现一些问题。

因为Llama-3的中文训练语料很少，所有非英语的训练数据才占到5%，所以我这里对Llama-3-8B分别使用了中英文问答，避免因中文训练不足导致测试结果偏差。

测试结果

鸡兔同笼问题

Llama-3-8B-Instruct（中文问答）

首先模型没有搞清楚鸡和兔的脚的数量是不同的，其次模型解方程的能力也不怎么行，总是算不对。

另外还是不是飙几句英语，看来中文训练的确实不太行。

Llama-3-8B-Instruct（英文问答）

搞清楚了不同动物脚的数量问题，但是还是不会计算，有时候方程能列正确，但是测试多次还是不会解方程组。

llama3-chinese-chat

中文无障碍，数学公式也列对了，但是答案是错的，没有给出解答过程。实测结果稳定性也比较差，每次总会给出不一样的解答方式。

Qwen1.5-7B-Chat

中文无障碍，答案正确，解答过程也基本完整。

小明家孩子的情况

Llama-3-8B-Instruct（中文问答）

答案不正确，解释的也不全面，没有说明其它答案为什么不正确。

Llama-3-8B-Instruct（英文问答）

答案正确，但是分析的逻辑有缺陷，没有完全说明白，只谈到性别问题，数字逻辑好像有点绕不清。

llama3-chinese-chat

答案错误，逻辑是混乱的，前言不搭后语，没有逻辑性。

Qwen1.5-7B-Chat

答案是正确的，但是逻辑不太通顺，说着性别，就跳到数量上去了。

猜数字游戏编程

Llama-3-8B-Instruct（中文问答）

代码完整，没有明显问题，但是还是会冒英文。

Llama-3-8B-Instruct（英文问答）

代码完整，没有明显问题。

llama3-chinese-chat

代码正确，但是不够完整，还需要更多提示。

Qwen1.5-7B-Chat

代码完整，没有明显问题。

测试结论

根据上边的测试结果，有一些结论是比较明确的。

Llama-3-8B的中文能力确实不太行，最明显的是时不时会冒一些英文，更重要的是使用中文时输出的内容偏简单化，逻辑上不那么严谨。

网友训练的 llama3-chinese-chat 问题比较多，可能是训练数据不足，或者训练参数上不够优秀，回答问题过于简略，逻辑性不够，稳定性也不太行，经常输出各种不一样的答案。建议只是玩玩，可以学习下它的训练方法。

Llama-3-8B的逻辑分析和数学能力不太行？至少在回答上边的鸡兔同笼问题和小明家孩子的情况上表现不佳，这是什么原因呢？训练语料的问题？但是我使用Llama-3-70B时，它可以正确且圆满的回答这两个问题，这就是权重参数不够的问题了，8B参数的能力还是差点。

Llama-3-8B的英文能力总体感觉还可以，但实测也没有那么惊艳，总有一种缺少临门一脚的感觉，有点瑕疵。说它媲美或者超越百亿参数的模型，这个是存在一些疑虑的。

Qwen1.5-7B-Chat在这几个问题的表现上还不错，不过很可能是这几个问题都学的很熟练了，特别是鸡兔同笼问题，大语言模型刚刚火爆的时候在国内常常被拿来做比较使用。目前还没有完整的Llama-3和Qwen1.5的评测对比数据，Llama-3公开的基准测试很多使用了few-shot，也就是评估时先给出几个问答示例，然后再看模型在类似问题上的表现，关注的是学习能力。根据HuggingFace上公开的数据，仅可以对比模型在MMLU（英文综合能力）和HumanEval（编程）上的的表现，比较突出的是编程能力，如下面两张图所示：

企业或者个人要在业务中真正使用，感觉还得是百亿模型，准确性和稳定性都会更好，百亿之下目前还不太行，经常理解或者输出不到位，目前70B参数的最好。

对于Llama-3-8B，如果你使用英文开展业务，又不想太高的成本，不妨试试，但是需要做更多增强确定性的工作，比如优化提示词、做些微调之类的，至于中文能力还得等国内的厂商们再努力一把，目前还不太行。

如何学习AI大模型？

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

在这里插入图片描述