粤ICP备17114055号
微信扫码
与创始人交个朋友
支持私有云部署
我要投稿
昨天微软推出最小大模型phi3，小小的身材，大大的能量，3.8B的体量号称可以媲美Mixtral 8x7B和GPT-3.5。今天就来实测一下，并和llama3做个对比。
一、先来个提示词优化。
（phi3）:
据说phi3是不支持中文的，但遇到中文的输入，它还是将答案翻译过来了，可以看出中文的表达还是比较生硬，有逐词翻译的痕迹。
对比一下（llama3）:
反而是llama3，没有很智能地用中文回复。
对提示词优化的要求本身并不高，只要能够发挥想象力，场景多样，细节足够丰富就可以了，算是达标了。
二、抒写散文。
生成式大模型自然离不开文章的撰写，现实场景也会大量应用到，来看下。
（phi3）:
表达非常的English，但还是不乏情感与诗意的。
（llama3）:
依然是英文输出，优点是不生硬地翻译表达起来就很自然。
三、鸡兔同笼问题。
测完情商，考验一下智商也是要的。
（phi3）:
没毛病，答案是对的，小学生的题总不能解错吧。
（llama3）:
这个输出英文就没所谓了，能看到答案48和1，测试通过。可以看到，llama3是走生动可爱风的，非常善于运用表情图标。
四，代码输出。
最后自然少不了写一段代码了，依照惯例，写个时钟。同时笔者用这个功能来测试一下两者的性能差异。
（phi3）:
（llama3）:
（phi3）:
（llama3）:
代码一次生成没有修改过就直接能用，视频也没有剪辑过，phi3用时15秒而llama3用时18秒，phi3确实不是浪得虚名。
总结：
从以上的测试场景来说，phi3的小体量确实给出了大惊喜，从纯英文的角度来说，足够应付日常的应用，加上多语言的支持后，对中文用户来说也是麻雀虽小，五脏俱全。当然，大模型的应用场景远不止这四个，还有更多的层次有待对比测试。
从llama3-8B到phi3-3.8B，一个个小模型的诞生使PC本地化部署乃至移动端部署变得轻而易举，既最大限度地提升交互性能，还保证了个人化和安全性。这不能叫卷，卷是无效率的瞎忙，而大模型的进步日新月异，一日千里。期待接下来更多的惊喜。
OK，就到这。
53AI，企业落地应用大模型首选服务商
产品：大模型应用平台+智能体定制开发+落地咨询服务
承诺：先做场景POC验证，看到效果再签署服务协议。零风险落地应用大模型，已交付160+中大型企业
2024-08-18
当产品经理谈到用LLM Agent构建新一代智能体的时候，他们在说什么？
2024-08-15
对话AI教育从业者们：AI如何解决因材施教的难题？
2024-08-03
工业应用中的向量数据库与知识向量化存储方案
2024-07-25
两大深度学习框架TensorFlow与PyTorch对比
2024-07-17
让生成式 AI 触手可及：NVIDIA NIM on VKE 部署实践
2024-07-16
中文大模型基准测评2024上半年报告
2024-07-16
一文看懂人工智能的起源、发展、三次浪潮与未来趋势
2024-07-14
"自拍" 秒变 "证件照" 看Coze如何实现
2024-05-14
2024-04-26
2024-05-22
2024-04-12
2024-07-18
2024-03-30
2024-05-10
2024-08-13
2024-04-25
2024-04-26
2024-09-24
2024-09-23
2024-09-22
2024-09-22
2024-09-22
2024-09-21
2024-09-21
2024-09-20
回到顶部