全球AI领导者英伟达（Nvidia）开源了超强大模型——Llama-3.1-Nemotron-70B-Instruct。
根据测试数据显示，这个模型已经击败GPT-4o、GPT-4turbo、Gemma-2、Gemini-1.5、Claude-3.5 sonnet等140多个开闭源模型，仅次于OpenAI发布的最新模型o1。
Nemotron的基础模型是基于Llama-3.1-70B开发而成，这个没什么新奇。但在训练的过程使用了一种新的混合训练方法，将Bradley-Terry和Regression一起用于训练奖励模型。
值得一提的是，英伟达把Nemotron的训练数据集也开源了，这对于开发同类型或超过Nemotron的模型非常重要，因为这个是使用混合训练方法的关键所在。
开源地址：
数据集：
在线demo：
有网友表示，英伟达热衷于不断开源超强模型，一方面有大量资金资助他们的科研人员研发，另外主要目的还是为了卖GPU以及培养开发生态。而Meta依托他的社交帝国，在商业化和资金方面都不愁。
最愁的便是那些大模型初创企业了，钱拼不过这些巨头，商业落地和名气更不用提。所以，很多小企业可能会因为巨头的碾压，很快会出现资金断裂等各种问题。
很高兴看到AI领域的竞争，正在以惊人的速度推动行业向前发展。
这可是重磅开源。
为了新模型，买两个4090爽一下吧。
模型是免费的，但运行的硬件可不免费啊。
我正在测试这个模型，我是一个高级AI用户说说使用心得：在商业写作方面，似乎比Claude3和ChatGPT聪明一些。但它依然会犯一些错误，相比于普通的3.1 70b Instruct，确实更聪明。
Nvidia可以以1000倍更低的成本实现这一点。如果Nvidia真的原意这么做，那么将无人能与之竞争。
创新混合训练方法
在训练大模型的过程中，为了确保模型在实际使用中能够准确地理解并遵循用户的提示指令，准确进行翻译、文本生成、问答等任务，奖励模型发挥了很重要的作用，主要通过为模型的输出打分，指导模型生成更高质量的回答来实现。
目前，主流的奖励模型方法主要有Bradley-Terry和Regression两种： Bradley-Terry风格的奖励模型起源于统计学中的排名理论，通过最大化被选择响应和被拒绝响应之间的奖励差距。这种方法强调在给定的提示下，用户会选择哪个响应，从而为模型提供了一种直接的、基于偏好的反馈。
Regression则借鉴了心理学中的评分量表，通过预测特定提示下响应的分数来训练模型。这种方法允许模型对响应的质量进行更细致的评估，但可能不如基于偏好的方法直观。
但这两种方法都有明显的缺点， Bradley-Terry需要用户在两个响应中选择一个；而回归风格的模型需要评分数据，用户需要为每个响应打分才能帮助模型提升性能 。所以，英伟达直接把两个模型的优点放在一起使用来解决这个难题。
首先是需要开发一个包含评分和偏好注释的数据集HELPSTEER2-PREFERENCE。研究人员是在HELPSTEER2基础上添加偏好注释。
这些偏好注释不仅包括用户在两个响应中选择一个的偏好方向，还包括用户对这种偏好的强度评分。为了确保数据的质量和可解释性，还要求注释者为他们的偏好提供书面说明。
在训练这种新型混合方法时，研究人员使用AdamW优化器来训练模型，通过引入权重衰减和梯度裁剪来提高训练的稳定性和效率。
为了进一步提高模型性能，使用了ExPO在训练过程中对模型的权重进行外推，可以进一步提高模型的性能。可以使模型在训练时更加关注那些差异较大的响应对，从而提高模型的区分能力。
此外，研究人员还进行了广泛的超参数搜索，以找到最佳的学习率和KL惩罚项。这些超参数对于模型的训练至关重要，因为它们直接影响到模型的收敛速度和最终性能。
HELPSTEER2-PREFERENCE数据集
为了开发这个多元化满足新的混合训练方法数据集，在数据注释的过程中，每一对回应都经过3—5名标注者的评价。这些标注者需要从多个维度对每个回应进行评分，包括有用性、准确性、连贯性、复杂性和冗长程度等。为了更好地理解背后的原因， 标注者还需要提供简短的文字说明，解释为何选择了某个回应作为更好的答案 。这种方法不仅增强了数据的透明度，也为后续分析提供了丰富的上下文信息。
研究人员还使用了严格的数据预处理步骤来保证数据质量。例如，他们会识别出每个任务中相似度最高的三个偏好注释，然后取这三个注释的平均值并四舍五入到最接近的整数，以此作为该任务的整体偏好得分。
同时，为了排除那些标注者意见分歧较大的样本，研究人员们会过滤掉那些注释之间差异超过一定范围的任务。这些措施共同作用，有效提升了数据的可靠性和一致性。
根据测试数据显示，使用HELPSTEER2-PREFERENCE数据集训练的模型性能非常强，在RewardBench评测中达到了94.1的高分，超过了同期几乎所有其他模型的表现。
原文链接: