飛象網訊 （一飛/文）12月21日，OpenAI 發布了具有超強推理能力的大模型o3，引起了業內對大模型推理能力的廣泛討論和深入研究。o3的發布也帶來了三個引人深思的問題：市面上主流大模型的推理能力究竟如何？在真實應用場景中，是否總是需要具有極強推理能力的模型？在實際應用中，如何根據應用需求選擇合適參數量的大模型而避免“用大炮打蚊子”，以獲得最高性價。

中國聯通借鑒動物智能演化規律，結合大模型實際落地應用實踐，在業界首次提出大模型能力邊界量化基準，定量分析主流語言大模型能力邊界，詳細刻畫模型參數量、模型能力與應用場景之間的關系，為語言大模型的應用選型提供理論和經驗指導，將有助于降低語言大模型應用門檻，促進大模型普惠化。相關研究成果以<What is the Best Model? Application-Driven Evaluation for Large Language Models>為題發表在自然語言處理權威會議NLPCC2024上，相應的評估基準已向業界開源，獲得業界廣泛認可。

論文鏈接：https://arxiv.org/abs/2406.10307

評估基準：https://github.com/UnicomAI/UnicomBenchmark/tree/main/A-Eval

借鑒動物智能演化規律

一般來說，動物的腦神經元越多，腦容量越大，智力水平就越高。另外，不同智力水平的動物擅長的任務種類和難度也各不相同，即使小如烏鴉的大腦，也可以完成“烏鴉喝水”這樣的任務。

動物智能演化規律

相似地，在語言大模型中，擴展法則指出模型參數量越大，模型能力越強，相應的算法消耗和應用成本也越高。然而這樣的定性分析是不夠的，大模型能力邊界定量刻畫的缺乏，導致在實際應用中經常出現“高射炮打蚊子”的情況。因此對大模型能力邊界的定量刻畫是必要且緊迫的。

構建大模型能力評估基準

中國聯通研究團隊從實際應用場景維度出發，對語言大模型主要能力進行歸納、梳理和總結，建立了應用驅動的大語言模型能力評估基準。該評估基準包括文本生成、理解、關鍵信息抽取、邏輯推理、任務規劃等5大類能力，又細分為27類子能力。

語言大模型主要能力

針對27類子能力，中國聯通研究團隊構建了相應的評測任務和由易、中、難三個難度等級的678個問答對構成的評估數據集。為避免數據泄露問題，所有數據均由專家團隊人工編寫。

應用驅動的語言大模型能力評估數據集

量化主流大模型能力邊界

團隊設計了專家評估和基于大模型的自動化評估方法，對同一家族8個不同規模的模型(0.5B, 1.8B, 4B, 7B, 14B, 32B, 72B, 110B)進行測試和評估，避免模型架構、訓練數據等非模型參數量因素對評估結果產生干擾，得到了不同參數量模型在各種任務上的可靠的評估結果。從下圖的評測結果可以看出，不同參數量模型能力不同，模型參數量越大，模型能力越強，對于復雜任務需要使用大參數量模型。

不同參數量模型在各類任務中的準確率

依據能力要求確定模型參數量

根據語言大模型能力邊界測評結果，團隊提出了一種簡單可行的模型選型方法，指導模型落地應用時的參數選型。總的來說，針對不同任務，任務難度越高要求參數越大；針對同一任務，參數越大模型性能越好。具體地，可依據某項任務對模型性能的底線要求來選擇相應參數的規模，以圖中任務為例：在用戶需求準確率為80%的前提下，對于拼寫錯誤校正任務，14B以上模型可獲90分以上；對于邏輯錯誤檢測任務，110B以上模型可達90分以上；如果同時應用多個任務，先為每個任務選擇合適的模型，再選擇其中參數量最大的模型即可。選型過程中不需要用戶對大模型有深入了解，這將降低用戶選擇使用大模型的門檻，促進大模型普惠化。

模型參數量選擇方法示例

探索設計模型選型使用“說明書”

在元景大模型應用落地中，中國聯通基于上述評估基準，打造評估工具，量化1B、7B、13B、34B和70B等元景基礎大模型的能力邊界，并分別將其用于違規短信分類、投訴工單分類、客服助手、漁業知識問答、元景App問答等場景，提煉“模型參數量-模型能力-應用場景”關聯關系（如下圖），作為大模型使用“說明書”，集成到元景MaaS平臺，為開發者提供選模型指引。

模型參數量-能力-場景的對應關系圖

接下來，中國聯通將繼續推進模型邊界量化機理研究，擴展和深化“模型參數量-模型能力-應用場景”關聯關系，協同業界持續擴展模型能力邊界，完善和增強大模型的“記憶-推理-規劃-創造-成長-價值觀”能力鏈條，打造自主可控、模態豐富、性能先進、高性價比、安全可信的基礎大模型，支撐千行百業場景應用，加速大模型普惠化。