Mistral携微软引爆小语言模型潮！Mistral中杯代码能力完胜GPT-4，成本暴降2/3

声明:本文来自于微信公众号 新智元（ID:AI_era），作者:新智元，授权转载发布。

【新智元导读】小模型的风潮，最近愈来愈盛，Mistral和微软分别有所动作。而网友实测发现，Mistral-medium的代码能力竟然完胜了GPT-4，而所花成本还不到三分之一。

最近，小语言模型忽然成为热点。

本周一，刚刚完成4.15亿美元融资的法国AI初创公司Mistral，发布了Mixtral8x7B模型。

这个开源模型尽管尺寸不大，小到足以在一台内存100GB以上的电脑上运行，然而在某些基准测试中却能和GPT-3.5打平，因此迅速在开发者中赢得了一片称赞。

之所以叫Mixtral8x7B，是因为它结合了为处理特定任务而训练的各种较小模型，从而提高了运行效率。

这种稀疏专家混合模型并不容易实现，据说OpenAI在今年早些时候因为无法让MoE模型正常运行，而不得不放弃了模型的开发。

紧接着，就在第二天，微软又发布了全新版本的Phi-2小模型。

跟Mistral的70亿参数比，Phi-2小到可以在手机上跑，只有27亿参数。相比之下，GPT-4的参数达到了一万亿。

Phi-2在精心挑选的数据集上进行了训练，数据集的质量足够高，因此即使手机的计算能力有限，也能确保模型生成准确的结果。

虽然还不清楚微软或其他软件制造商将如何使用小型模型，但最明显的好处，就是降低了大规模运行AI应用的成本，并且极大地拓宽了生成式AI技术的应用范围。

这是一件大事。

Mistral-medium代码生成完胜GPT-4

最近，Mistral-medium已经开放内测。

有博主对比了开源的Mistral-medium和GPT-4的代码生成能力，结果显示，Mistral-medium比GPT-4的代码能力更强，然而成本却只需GPT-4的3成!

总价来说就是:

1）Mistral会始终完成工作，完成度很高;

2）不会在冗长的解释性输出上浪费token;

3）提供的建议非常具体。

第一题，编写用于生成斐波那契素数的PyTorch数据集的cuda优化代码。

Mistral-Medium生成的代码严肃、完整。

而GPT-4生成的代码，就差强人意了。

浪费了很多token，却没有输出有用的信息。

然后，GPT-4只给出了骨架代码，并没有具体的相关代码。

第二道题:编写高效的Python代码，将大约10亿个大型Apache HTTP访问文件摄取到 SqlLite数据库中，并使用它来生成对sales.html和product.html的访问直方图。

Mistral的输出非常精彩，虽然log不是CSV格式的，但修改起来很容易。

GPT-4依旧拉跨。

此前，这位博主测试过多个代码生成模型，GPT-4一直稳居第一。

而现在，把它拉下宝座的强劲对手Mistral-medium终于出现了。

虽然只发布了两个例子，但博主测试了多个问题，结果都差不多。

他建议:鉴于Mistral-medium在代码生成质量上有更好的体验，应该把它整合到各地的代码copilot中。

有人按照每1000token算出了输入和输出的成本，发现Mistral-medium比起GPT-4直接降低了70%!

的确，节省了70%的token费用，可不是一件小事。甚至还可以通过不冗长的输出，来进一步节省成本。

参考资料:

https://www.theinformation.com/articles/the-rise-of-small-language-models-and-reinforcement-learning

https://twitter.com/deliprao/status/1734997263024329157