飞象网讯 （一飞/文）比？12月21日，OpenAI 发布了具有超强推理能力的大模型o3，引起了业内对大模型推理能力的广泛讨论和深入研究。o3的发布也带来了三个引人深思的问题：市面上主流大模型的推理能力究竟如何？在真实应用场景中，是否总是需要具有极强推理能力的模型？在实际应用中，如何根据应用需求选择合适参数量的大模型而避免“用大炮打蚊子”，以获得最高性价
中国联通借鉴动物智能演化规律，结合大模型实际落地应用实践，在业界首次提出大模型能力边界量化基准，定量分析主流语言大模型能力边界，详细刻画模型参数量、模型能力与应用场景之间的关系，为语言大模型的应用选型提供理论和经验指导，将有助于降低语言大模型应用门槛，促进大模型普惠化。相关研究成果以<What is the Best Model? Application-Driven Evaluation for Large Language Models>为题发表在自然语言处理权威会议NLPCC2024上，相应的评估基准已向业界开源，获得业界广泛认可。
论文链接：https://arxiv.org/abs/2406.10307
评估基准：https://github.com/UnicomAI/UnicomBenchmark/tree/main/A-Eval
借鉴动物智能演化规律
一般来说，动物的脑神经元越多，脑容量越大，智力水平就越高。另外，不同智力水平的动物擅长的任务种类和难度也各不相同，即使小如乌鸦的大脑，也可以完成“乌鸦喝水”这样的任务。
动物智能演化规律
相似地，在语言大模型中，扩展法则指出模型参数量越大，模型能力越强，相应的算法消耗和应用成本也越高。然而这样的定性分析是不够的，大模型能力边界定量刻画的缺乏，导致在实际应用中经常出现“高射炮打蚊子”的情况。因此对大模型能力边界的定量刻画是必要且紧迫的。
构建大模型能力评估基准
中国联通研究团队从实际应用场景维度出发，对语言大模型主要能力进行归纳、梳理和总结，建立了应用驱动的大语言模型能力评估基准。该评估基准包括文本生成、理解、关键信息抽取、逻辑推理、任务规划等5大类能力，又细分为27类子能力。
语言大模型主要能力
针对27类子能力，中国联通研究团队构建了相应的评测任务和由易、中、难三个难度等级的678个问答对构成的评估数据集。为避免数据泄露问题，所有数据均由专家团队人工编写。
应用驱动的语言大模型能力评估数据集
量化主流大模型能力边界
团队设计了专家评估和基于大模型的自动化评估方法，对同一家族8个不同规模的模型(0.5B, 1.8B, 4B, 7B, 14B, 32B, 72B, 110B)进行测试和评估，避免模型架构、训练数据等非模型参数量因素对评估结果产生干扰，得到了不同参数量模型在各种任务上的可靠的评估结果。从下图的评测结果可以看出，不同参数量模型能力不同，模型参数量越大，模型能力越强，对于复杂任务需要使用大参数量模型。
不同参数量模型在各类任务中的准确率
依据能力要求确定模型参数量
根据语言大模型能力边界测评结果，团队提出了一种简单可行的模型选型方法，指导模型落地应用时的参数选型。总的来说，针对不同任务，任务难度越高要求参数越大；针对同一任务，参数越大模型性能越好。具体地，可依据某项任务对模型性能的底线要求来选择相应参数的规模，以图中任务为例：在用户需求准确率为80%的前提下，对于拼写错误校正任务，14B以上模型可获90分以上；对于逻辑错误检测任务，110B以上模型可达90分以上；如果同时应用多个任务，先为每个任务选择合适的模型，再选择其中参数量最大的模型即可。选型过程中不需要用户对大模型有深入了解，这将降低用户选择使用大模型的门槛，促进大模型普惠化。
模型参数量选择方法示例
探索设计模型选型使用“说明书”
在元景大模型应用落地中，中国联通基于上述评估基准，打造评估工具，量化1B、7B、13B、34B和70B等元景基础大模型的能力边界，并分别将其用于违规短信分类、投诉工单分类、客服助手、渔业知识问答、元景App问答等场景，提炼“模型参数量-模型能力-应用场景”关联关系（如下图），作为大模型使用“说明书”，集成到元景MaaS平台，为开发者提供选模型指引。
模型参数量-能力-场景的对应关系图
接下来，中国联通将继续推进模型边界量化机理研究，扩展和深化“模型参数量-模型能力-应用场景”关联关系，协同业界持续扩展模型能力边界，完善和增强大模型的“记忆-推理-规划-创造-成长-价值观”能力链条，打造自主可控、模态丰富、性能先进、高性价比、安全可信的基础大模型，支撑千行百业场景应用，加速大模型普惠化。