两天内，Meta 和 Mistral 两款主流大模型打擂台！已经不仅卷性能了，谁更便宜就用谁？...-CSDN博客

来源：AI前线

整理：冬梅、核子可乐

Mistral 发布开源旗舰模型，

参数更小但性能不打折

对于前沿人工智能模型领域来说，这两天可谓热闹非凡，AI 科技竞赛正在以前所未有的速度推进。

继 Meta 日前发布全新开源 Llama 3.1 并作为其领先闭源“前沿”模型的替代方案之后，法国 AI 初创公司 Mistral 也摩拳擦掌加入战团。这家初创公司宣布推出其旗舰级开源模型的下一代产品，此模型拥有 1230 亿个参数，代号为 Mistral Large 2，并声称在代码生成、数学和推理方面与 OpenAI 和 Meta 的最新尖端模型不相上下。

Mistral Large 2 的发布恰逢 Meta 发布其最新、最出色的开源模型 Llama 3.1 405B 的第二天。Mistral 表示，Large 2 提高了开源模型的性能和成本标准，这些优化在一些基准测试中已经体现出来。

需要特别强调的是，Mistral 的模型与大多数其他模型一样，不是传统意义上的开源模型——任何商业应用都需要付费许可。这套模型仅被授权为以“开放”方式用于非商业研究用途，包括开放权重并允许第三方根据自身喜好对其进行微调。对于那些寻求将其用于商业 / 企业级应用的人来说，他们将需要从 Mistral 获得单独的许可和使用协议。

早在今年 2 月，Mistral 就推出过具有 3.2 万个 token 上下文窗口的初版 Large 模型。当时该公司称这款产品“对于语法和文化背景有着细致入微的理解能力”，因此可以推理并生成不同语言（包括英语、法语、西班牙语、德语和意大利语）与母语水平相当的流利文本。

新版模型在此基础之上将上下文窗口增加至 12.8 万个 token，与 OpenAI 的 GPT-4o 和 GPT-4o mini 以及 Meta 的 Llama 3.1 旗鼓相当。

新模型还支持数十种新语言，包括初版已经支持的语言外加葡萄牙语、阿拉伯语、印地语、俄语、汉语、日语和韩语。

Mistral 方面表示，这套通用模型非常适合需要强大推理能力或者高度专业化的任务，例如合成文本生成、代码生成以及 RAG（检索增强生成）等。

两大最新开源模型 PK，

谁能更胜一筹？

Mistral 在一份新闻稿中表示，Large 2 训练过程中重点关注点之一是尽量减少模型的幻觉问题。Mistral 公司表示，Large 2 经过训练后，能够更敏锐地做出反应，能够意识到自己不知道的事情，而不是编造看似合理的事情。此外，Mistral 还声称 Large 2 的响应也比领先的 AI 模型更简洁，而领先的 AI 模型往往会喋喋不休。

那么，Large 2 与同样强大的 Llama 3.1 相比，在编码能力、推理能力、指令遵循与对齐、语言多样性方面谁高谁低？

编码能力

初版 Large 模型在编码任务方面表现不佳，Mistral 似乎在最新版本中专门利用大量代码进行了训练，最终成功纠正了这个问题。

Mistral 表示，根据他们在代码模型 Codestral 22B 和 Codestral Mamba 上积累的经验，他们在很大一部分代码上训练了 Mistral Large 2。Mistral Large 2 的表现远远优于之前的 Mistral Large，并且与 GPT-4o、Claude 3 Opus 和 Llama 3 405B 等领先模型相当。

推理能力

Mistral 还投入了大量精力来增强模型的推理能力。训练期间的重点关注领域之一是尽量减少模型产生“幻觉”或产生看似合理但实际上不正确或不相关的信息的倾向。这是通过微调模型来实现的，使其在响应时更加谨慎和敏锐，确保它提供可靠和准确的输出。

此外，新款 Mistral Large 2 经过训练，能够在无法找到解决方案或没有足够的信息来提供自信答案时识别。这种对准确性的承诺体现在流行数学基准测试中模型性能的提高，展示了其增强的推理和解决问题的能力：

代码生成基准上的性能准确性（所有模型都通过相同的评估流程进行基准测试）

基准测试与 Llama 3.1 405B：

MMLU：84.0% （Mistral Large 2） vs 88.6% （Llama 3.1 405B）
HumanEval：92% （Mistral Large 2） vs 89% （Llama 3.1 405B）
GSM8K：93% （Mistral Large 2） vs 96.8% （Llama 3.1 405B）在 HumanEval 和 HumanEval Plus 代码生成基准测试当中，其表现优于 Claude 3.5 Sonnet 与 Claude 3 Opus，仅次于 GPT-4o。同样的，在以数学为重点的基准测试（GSM8K 与 Math Instruct）当中，其成绩也移居第二。

GSM8K（8 次）和 MATH（0 次，无 CoT）生成基准上的性能准确度（所有模型都通过相同的评估流程进行基准测试）

多语言能力

在涵盖不同语言的多语种 MMLU 基准测试当中，Mistral Large 2 的表现与 Meta 全新的 Llama 3.1-405B 相当，而且由于体量较小，所以有着更加显著的成本效益。

Large 2 支持 80 多种编码语言，包括 Python、Java、C、C++、JavaScript 和 Bash。该公司在博文中解释称，“Mistral Large 2 专为单节点推理而设计，而且照顾到长上下文类应用场景——其 1230 亿参数的规模使其能够在单个节点以大吞吐量方式运行。”

MultiPL-E 上的性能准确度（除“论文”行外，所有模型都通过相同的评估流程进行基准测试）

Mistral Large 2 模型在多语言 MMLU 中的表现

指令遵循与对齐

随着企业越来越地采用 AI 技术，Mistral 还专注于减少 Mistral Large 模型的幻觉。具体方法就是微调模型，使其在响应时更加谨慎且有选择性。如果没有足够的信息来支持答案，它也会直接告知用户以保持完全透明。

此外，该公司还改进了模型的指令遵循能力，使其能够更好地听众用户指引并处理长时间内的多轮对话。新模型还经过调优以尽量让答案保持简洁明了——这一点在企业环境下同样非常重要。

新款 Mistral Large 2 在遵循精确指令和处理长时间多轮对话方面表现尤为出色。下面是 Mistral Large 2 在 MT-Bench、Wild Bench 和 Arena Hard 基准测试中的表现：

在一般对齐基准上的表现（所有模型都通过相同的评估流程进行基准测试）

在某些基准测试中，生成较长的响应往往会提高分数。然而，在许多商业应用中，简洁性至关重要——较短的模型生成有助于加快交互速度，并且推理更具成本效益。这就是为什么 Mistral 花费了大量精力确保生成尽可能简洁明了。下图报告了 MT Bench 基准测试中不同模型生成的平均长度：

目前，Mistral 公司已经通过其 API 商战平台以及 Google Vertex AI、Amazon Bedrock、Azure AI Studio 以及 IBM WatsonX 等云平台开放 Mistral Large 2 模型访问。用户甚至可以通过 Mistral 的聊天机器人对新模型进行测试，看看它在现实场景下究竟表现如何。

经过多方面对比，最终得出的结论是：在代码能力数学基础测试中，Mistral Large 2 的性能要优于 Llama 3.1 405B，语言多样性方面的基准测试中，Mistral Large 2 表现略逊于 Llama 3.1 405B，在推理方面和指令遵循与对齐方面，Mistral Large 2 与 Llama 3.1 405B 的表现不相上下。

Mistral 方面指出，该产品将继续“突破成本效率、速度与性能的极限”，同时为用户提供更多新功能，包括高级函数调用与检索，用以构建起更多高性能 AI 应用程序。

网友怎么看？

两天之内，两家大模型明星公司纷纷推出高端大模型的做法引发业内热议。

有网友评论，Large 2 虽然不是完全开源有些令人沮丧，但仍然比完全关闭要好得多。