白交 发自 凹非寺

量子位 | 公众号 QbitAI

突然间，整个大模型圈都在谈论同一件事。

微软论文里一张「乍一看不足为奇」的统计图，泄露了“天机”。

引领全球风暴的ChatGPT，背后大模型参数竟只有200亿？？？

论文一经发布，就吸引了国内外众多关注。

不少网友还不相信：确定不是拼写错了？

有网友表示：难怪OpenAI对开源这么紧张。又或者，这也许是为OpenAI开源做准备。

无独有偶，就在前几天有网友在GitHub Copilot的API中发现了疑似GPT-4新型号：copilot-gpt-4-2，所拥有的知识更新到了2023年3月。

这篇论文说了啥？

除了泄露机密，这篇论文本身也值得一看：业内首个用扩散模型做代码生成。

研究团队设想了这样一个场景：

如果开发人员只能修改最后一行代码，那么需要多少次从头开始编写一个函数才能完成呢？

用自然语言生成代码的自回归模型也有类似的局限性：不太容易重新考虑之前生成的tokens。

微软研究员提出了采用编码-解码架构的CODEFUSION，主要包括编码器、解码器、去噪器以及Classification Head，将自然语言输入编码为连续表示，然后将其附加条件输入Diffusion模型中用高斯噪声进行迭代去噪。

为了生成语法正确的代码，去噪后输入解码器中获得代码tokens，通过针对代码的连续段落去噪(CPD)任务预训练CODEFUSION。

在Python、Bash和Excel条件格式化（CF）规则三个语言任务上评估了CODEFUSION。

结果显示其7500万参数规模CODEFUSION性能，同200亿参数的GPT-3.5-turbo接近，而且还生成更加多样化的代码。

与纯文本生成的diffusion模型相比，CODEFUSION生成更多语法正确的代码；与自动回归模型相比，生成更加多样化的候选代码。

与最先进的自回归系统（350M-175B 参数）相比，在前 1 名的准确率方面表现相当，而在前 3 名和前 5 名的准确率方面，由于其在多样性与质量之间取得了更好的平衡，其表现优于自回归系统。

结果这原本只是一次再正常不过的性能比较，没想到引起轩然大波。

也有人开始了阴谋论，或许这是OpenAI开源的“前菜”，故意而为之——

因为不少大模型已经追赶上来了，而且早在今年5月，路透社就曾爆料OpenAI准备开源新大语言模型。

One More Thing

值得一提的是，早在今年2月份福布斯一则新闻报道里，就曾透露过ChatGPT只有200亿参数。

当时标题是「越大越好吗？为什么 ChatGPT VS GPT-3 VS GPT-4 的 “战斗 “只是一次家庭聊天？」

只是当时没有太多人在意。

参考链接：

[1]https://twitter.com/felix_red_panda/status/1718916631512949248

[2]https://x.com/teortaxesTex/status/1718972447024623898?s=20

[3]https://www.reddit.com/r/singularity/comments/17jrepb/microsoft_paper_claims_chatgpt_35_has_20_billion/

[4]https://www.zhihu.com/question/628395521

[5]https://www.reddit.com/r/ChatGPT/comments/17ht56t/new_leaks_about_upcoming_developments_with_openai/?share_id=txV27HR0zw0TjV8dLXf4l

[6]https://www.forbes.com/sites/forbestechcouncil/2023/02/17/is-bigger-better-why-the-chatgpt-vs-gpt-3-vs-gpt-4-battle-is-just-a-family-chat/amp/