前几天Meta开源发布了新的Llama大语言模型：Llama-3系列，本次一共发布了两个版本：Llama-3-8B和Llama-3-70B，根据Meta发布的测评报告，Llama-3-8B的性能吊打之前的Llama-2-70B，也就是说80亿参数的模型干掉了700亿参数的模型，这个还真挺让人震惊的。
Llama-3-8B真的有这么强吗？
鉴于8B的模型可以在24G显存下流畅运行，成本不高，我就在AutoDL上实际测试了一下。
测试方案
使用的是我之前在AutoDL上发布的一个大语言模型WebUI镜像：yinghuoai-text-generation-webui （这个WebUI可以对大语言模型进行推理和微调），显卡选择的是 4090D 24G显存版本，使用三个问题分别测试了 Llama-3-8B-Instruct（英文问答）、Llama-3-8B-Instruct（中文问答）、llama3-chinese-chat、Qwen1.5-7B-Chat。其中llama3-chinese-chat是网友基于Llama-3-8B-Instruct训练的中文对话模型，项目地址：github.com/CrazyBoyM/l...
三个问题分别是：
- 小明的妻子生了一对双胞胎。以下哪个推论是正确的?
-
- A.小明家里一共有三个孩子
- B.小明家里一共有两个孩子。
- C.小明家里既有男孩子也有女孩子
- D.无法确定小明家里孩子的具体情况
- 有若干只鸡兔同在一个笼子里，从上面数，有35个头，从下面数，有94只脚。问笼中各有多少只鸡和兔？
- 请使用C#帮我写一个猜数字的游戏。
这三个问题分别考察大语言模型的逻辑推理、数学计算和编码能力。当然这个考察方案比较随意，但是也能发现一些问题。
因为Llama-3的中文训练语料很少，所有非英语的训练数据才占到5%，所以我这里对Llama-3-8B分别使用了中英文问答，避免因中文训练不足导致测试结果偏差。
测试结果
鸡兔同笼问题
Llama-3-8B-Instruct（中文问答）
首先模型没有搞清楚鸡和兔的脚的数量是不同的，其次模型解方程的能力也不怎么行，总是算不对。
另外还是不是飙几句英语，看来中文训练的确实不太行。
Llama-3-8B-Instruct（英文问答）
搞清楚了不同动物脚的数量问题，但是还是不会计算，有时候方程能列正确，但是测试多次还是不会解方程组。
llama3-chinese-chat
中文无障碍，数学公式也列对了，但是答案是错的，没有给出解答过程。实测结果稳定性也比较差，每次总会给出不一样的解答方式。
Qwen1.5-7B-Chat
中文无障碍，答案正确，解答过程也基本完整。
小明家孩子的情况
Llama-3-8B-Instruct（中文问答）
答案不正确，解释的也不全面，没有说明其它答案为什么不正确。
Llama-3-8B-Instruct（英文问答）
答案正确，但是分析的逻辑有缺陷，没有完全说明白，只谈到性别问题，数字逻辑好像有点绕不清。
llama3-chinese-chat
答案错误，逻辑是混乱的，前言不搭后语，没有逻辑性。
Qwen1.5-7B-Chat
答案是正确的，但是逻辑不太通顺，说着性别，就跳到数量上去了。
猜数字游戏编程
Llama-3-8B-Instruct（中文问答）
代码完整，没有明显问题，但是还是会冒英文。
Llama-3-8B-Instruct（英文问答）
代码完整，没有明显问题。
llama3-chinese-chat
代码正确，但是不够完整，还需要更多提示。
Qwen1.5-7B-Chat
代码完整，没有明显问题。
测试结论
根据上边的测试结果，有一些结论是比较明确的。
Llama-3-8B的中文能力确实不太行，最明显的是时不时会冒一些英文，更重要的是使用中文时输出的内容偏简单化，逻辑上不那么严谨。
网友训练的 llama3-chinese-chat 问题比较多，可能是训练数据不足，或者训练参数上不够优秀，回答问题过于简略，逻辑性不够，稳定性也不太行，经常输出各种不一样的答案。建议只是玩玩，可以学习下它的训练方法。
Llama-3-8B的逻辑分析和数学能力不太行？至少在回答上边的鸡兔同笼问题和小明家孩子的情况上表现不佳，这是什么原因呢？训练语料的问题？但是我使用Llama-3-70B时，它可以正确且圆满的回答这两个问题，这就是权重参数不够的问题了，8B参数的能力还是差点。
Llama-3-8B的英文能力总体感觉还可以，但实测也没有那么惊艳，总有一种缺少临门一脚的感觉，有点瑕疵。说它媲美或者超越百亿参数的模型，这个是存在一些疑虑的。
Qwen1.5-7B-Chat在这几个问题的表现上还不错，不过很可能是这几个问题都学的很熟练了，特别是鸡兔同笼问题，大语言模型刚刚火爆的时候在国内常常被拿来做比较使用。目前还没有完整的Llama-3和Qwen1.5的评测对比数据，Llama-3公开的基准测试很多使用了few-shot，也就是评估时先给出几个问答示例，然后再看模型在类似问题上的表现，关注的是学习能力。根据HuggingFace上公开的数据，仅可以对比模型在MMLU（英文综合能力）和HumanEval（编程）上的的表现，比较突出的是编程能力，如下面两张图所示：
企业或者个人要在业务中真正使用，感觉还得是百亿模型，准确性和稳定性都会更好，百亿之下目前还不太行，经常理解或者输出不到位，目前感觉70B参数的最好。
对于Llama-3-8B，如果你使用英文开展业务，又不想太高的成本，不妨试试，但是需要做更多增强确定性的工作，比如优化提示词、做些微调之类的，至于中文能力还得等国内的厂商们再努力一把，目前还不太行。
Llama-3的在线体验地址请移步这里：性能直逼GPT4，Llama3的三种在线体验方式。
关注萤火架构，提升AI认知！