4B小模型掀翻大模型牌桌！性能超GPT-3.5，无限长文本性能超Kimi...-CSDN博客

本文链接：https://blog.csdn.net/m0_59163425/article/details/141968253

杀疯了！杀疯了！

你敢相信 4B 参数小模型，性能却超越千亿量级的 GPT-3.5 ！

OpenAI、谷歌、微软、苹果等一众海内外巨头还没做到的事，被一家中国大模型公司抢先了！

这家公司就是大模型端侧王者面壁智能，他们今天刚刚发布了新一代基座模型面壁小钢炮 MiniCPM 3.0 ，再次以小博大，以 4B 参数，带来超越 GPT-3.5 的性能，强得不像个端侧模型。

新一代面壁小钢炮 MiniCPM 3.0 全面**掀翻了大模型牌桌！**它全面开挂，不仅综合性能强悍，还在其它业内呼声众多的方向都进行了一遍踢馆！

长文本方向：它具有无限长文本，榜单性能超越 Kimi，超长文本也不崩；
Function Calling方向：它的性能比肩 GPT-4o ，是端侧最强；
RAG 方向：超强 RAG 外挂三件套，中文检索第一、生成超 Llama3-8B。

➤ MiniCPM 3.0 开源地址：

GitHub:🔗 https://github.com/OpenBMB/MiniCPM

HuggingFace:🔗 https://huggingface.co/openbmb/MiniCPM3-4B

一杀：综合性能超越 GPT-3.5

提前近 4 个月，面壁智能实现了初代面壁小钢炮发布时立下的 Flag：今年内让 GPT-3.5 水平的模型在端侧跑起来！

MiniCPM 3.0 再次挖掘端侧模型的极致性能，仅 4B 参数，在包括自然语言理解、知识、代码、数学等多项能力上对 GPT-3.5 实现赶超，在 Qwen2-7B、 Phi-3.5、GLM4-9B、LLaMa3-8B 等一众中外知名模型脱颖而出。

二杀：无限长文本，性能超 Kimi

上下文长度是衡量大模型基础能力的一项重要指标，更长的上下文长度意味大模型拥有更大的“内存”和更长的“记忆”，不仅能提高大模型处理数据的能力上限，还能拓宽大模型应用的广度和深度。

面壁提出 LLMxMapReduce长本文分帧处理技术 ，一举实现「无限」长文本！32, 128, 256, 512K…MiniCPM 3.0 打破大模型记忆限制，可以将上下文长度无限稳定拓展，想多长就多长！

除了超越 GPT-4、KimiChat 等标杆模型的优异表现（ InfiniteBench 榜单成绩）；更神奇的是，文本越长，这个4B小钢炮凭借愈加稳定的表现，展现出的性能优势越强。

InfiniteBench大模型长文本能力的权威评测集
检索、数学、代码、问答和摘要等多维度能力评估
① MiniCPM 3.0 表现超越 GPT-4、KimiChat、Qwen2-70B；
② 千亿模型 Qwen2-70B、Llama3-70b 结合LLMxMapReduce也取得更佳表现。

InfiniteBench Zh.QA 评测结果显示，4B参数的面壁小钢炮整体性能优于Kimi，在更长的文本上表现出相较更强的稳定性。

LLMxMapReduce 技术框架图

拥有无限上下文，可以让模型一次性读取不限字数的书籍或不限量的学术论文、简历等材料，成为你身边更加强大的终端个人助手。模型还可以读取你的大众点评美食、酒店评价、微博互动内容，并牢牢记住你和AI 跨越多年的聊天记录，成为最懂你的AI陪伴者。

三杀：GPT-4o 级 Function calling

智能体应用是端侧AI 必争之地，其中一项至关重要的技术是 Function Calling（函数调用），它能够将用户模糊化的输入语义转换为机器可以精确理解执行的结构化指令，并让大模型连接外部工具和系统，例如通过语音在手机上调用日历、天气、邮件、浏览器等 APP 或相册、文件等本地数据库，从而打开终端设备 Agent 应用的无限可能，也让人机交互更加自然和方便。

MiniCPM 3.0 拥有端侧最强 Function calling 性能，在权威评测榜单 Berkeley Function-Calling Leaderboard 上，其性能接近 GPT-4o，并超越 Llama 3.1-8B、Qwen-2-7B、GLM-4-9B 等众多模型。

四杀：超强 RAG 外挂三件套，中文检索第一、生成超 Llama3-8B

端侧模型也能开外挂，RAG（检索增强生成技术）让模型引用外部知识库，检索到最新、最可靠的专业知识，确保生成内容更加可信，大大减少大模型的幻觉问题。大模型+RAG 在行业中极其实用，尤其是对法律、医疗等依赖专业知识库、对大模型幻觉容忍度极低的垂直行业。

面壁一口气带来超强 RAG 外挂三件套：MiniCPM-Embedding（检索模型）、MiniCPM-Reranker（重排序模型）和面向 RAG 场景的 LoRA 插件（生成模型），款款优秀：

MiniCPM-Embedding（检索模型）中英跨语言检索取得 SOTA 性能，在评估模型文本嵌入能力的权威评测集 MTEB 的检索榜单上中文第一、英文第十三；
MiniCPM-Reranker（重排序模型）在中文、英文、中英跨语言测试上取得 SOTA 性能；
经过针对 RAG 场景的 LoRA 训练后，MiniCPM 3.0-RAG-LoRA 在开放域问答（NQ、TQA、MARCO）、多跳问答（HotpotQA）、对话（WoW）、事实核查（FEVER）和信息填充（T-REx）等多项任务上的性能表现，超越 Llama3-8B 和 Baichuan2-13B 等业内优秀模型。

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

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