刚刚，GPT-4o mini版迎来“高光时刻”——
登顶了lmsys大模型竞技场，和满血版并列第一，还把Claude 3.5甩在了身后。
不同于一般的数据集测评，大模型竞技场是用户自己出题、用脚投票的结果，无法通过“刷题”来走捷径，因此更为真实。
这个成绩一出，连CEO奥特曼都激动起来了：
面对评估成绩，我们本来是尽量矜持的，但是看到GPT-4o mini表现和满血版一样，价格却只有1/20，内心还是很激动。
网友看到之后表示OK，但更关心的还是GPT-4o发布会上演示的“Her”到底啥时候上线。
与此同时，OpenAI也送来了另一个好消息，将为开发者送出福利——
GPT-4o mini的微调将逐步开放，目前已开放给tier 4和tier 5用户，然后会陆续扩展范围。
而且从即日起到9月23号，每天都能免费使用2百万的训练token。
mini与满血版平起平坐
经过80多款模型上百万轮的1v1比拼，GPT-4o mini在lmsys榜单上的成绩与满血版只差7分。
按照lmsys榜单的排法，这7分的差距没有影响名次，把两个型号算作了并列第一。
紧随其后的是Claude 3.5和Gemini家族，还有GPT-4的另外两个版本。
如果我们查看GPT-4o mini的原始数据，会发现它0.6的平均胜率仅次于满血版本。
单独看两者比拼的结果，同样是打得不相上下。
之所以lmsys的成绩受到关注，在于它拥有一套独特的比拼方式——
不用数据集，而是让用户自己出题，随机拉两个模型1对1battle，然后选择哪个模型表现更好。
在给出选择之前，模型是匿名的，用户也不知道是哪两个模型正在比拼，如果模型自己说漏嘴则投票无效。
这样得到的分数更加真实，既避免了“刷题”获取虚高分数的可能，也更加接近用户体验。
这个大模型竞技场，最近还登上了机器学习顶会ICML2024。
而且，lmsys的评测也非常受OpenAI的青睐，GPT-4o mini正式上线之前的早期版本，就曾化名为gpt-mini在其中打榜。
当时就已经排行第4，和GPT4-Turbo处在同一水平。
更早一些，GPT-4o上线之前也是化名gpt2-chatbot，在lmsys上搞起了测试。
不过也有人提出质疑，表示虽然GPT-4o mini表现确实很好，但是要说它超过了Claude 3.5 sonnet就有些言过其实了。
有人更是直言，lmsys方法的完善性已经开始瓦解，需要做出改变，否则将不再是一个有用的测试基准。
“小模型”也卷起来了
mini版本的推出，主打的就是一个性价比。
每百万输入/输出tokens，价格分别为15美分和60美分（约1.09/4.36人民币），甚至还不到3.5 Turbo的一半。
如果和两年前GPT-3的text-davinci-003版（当时最好的模型）相比，价格更是下降了99%。
而且除了把小模型开放给用户，OpenAI还搞出了新鲜玩法——
在“超级对齐”团队的一篇遗作中，使用了参数量为大模型千分之一或百分之一的小模型，来对大模型进行优化。
实验中，大小两个模型相互“博弈”，大模型需要不断优化调整自己的输出，让小模型相信自己说的是真话。
在这个“博弈”的过程中，大模型的能力得到了提升，在精度没有明显损失的情况下获得了大幅度的可理解性提升。
除了OpenAI，其他公司也都纷纷搞起了小模型。
比如在GPT-4o mini之前，谷歌和Anthropic就分别推出了Gemini Flash和Claude 3-Haiku。
甚至可以说，GPT-4o mini就是OpenAI对两家的反击，无论是性能还是价格都超越了这两个模型。
在GPT-4o mini发布的同一周，抱抱脸Hugging Face，以及“欧洲OpenAI”Mistral都相继推出了小号模型。
甚至苹果也推出了自己的7B模型，而且一次性开源了全部训练过程和资源。
总之，在性能足以满足使用需求的前提下，小模型无疑是一种更经济实惠的选择。
同时，更小的规模也意味着有可能在端侧运行，在隐私保护等方面显现出优势。
这样就不难理解，“小”模型为什么也越来越卷了。
参考链接：
[1]https://x.com/sama/status/1815877987696533897/
[2]https://x.com/OpenAIDevs/status/1815836887631946015
