面壁智能发布 MiniCPM 3.0 声称端侧模型 ChatGPT 时刻到来

MiniCPM3-4B 是 MiniCPM 开发的最新一代边缘端语言模型，其整体性能优于 Phi-3.5-mini-Instruct 和 GPT-3.5-Turbo-0125，并可与许多近期发布的7B~9B模型相媲美。与 MiniCPM1.0 和 MiniCPM2.0 相比，MiniCPM3-4B 功能更强大，应用范围更广泛，支持功能调用和代码解释功能。

此外，MiniCPM3-4B 配备了 32k 上下文窗口，并通过 LLMxMapReduce 技术，能够理论上处理无限上下文，而无需占用大量内存。

仅4B 参数，MiniCPM 3.0 在自然语言理解、知识、代码、数学等多项能力上对GPT-3.5 实现赶超，并越过 Qwen2-7B，Phi-3.5,GLM4-9B，LLaMa3-8B 等一众中外知名模型的表现脱颖而出。

MiniCPM3-4B 的主要优势

• 轻量级、性能强大：4B参数量模型的推理速度快，资源占用小，但性能不逊色于更大参数的模型。
• 多领域适应性强：在中英文任务、数学推理、代码生成和长文本处理等领域均表现出色。
• 丰富的功能扩展：支持工具调用、代码解释和检索增强生成，能够适应广泛的应用场景。

主要功能特点

1. 参数量与性能对比MiniCPM3-4B 具有 40 亿参数，尽管模型参数量相对较小，但在多个任务上表现超越了更大规模的模型。具体对比如下：
   • 超过 GPT-3.5-Turbo：在通用语言处理任务、数学推理、代码理解等方面，MiniCPM3-4B 在同等条件下性能优于 GPT-3.5-Turbo。
   • 与 Llama3.1-8B-Instruct、Qwen2-7B-Instruct 相比：在中英文任务、长文本处理及工具调用能力等多个方面，MiniCPM3-4B 均表现不俗。

   2. 工具调用与代码解释器

   • 工具调用功能：MiniCPM3-4B 支持函数调用功能，并在 Berkeley Function Calling Leaderboard (BFCL) 上以 76.03% 的准确率取得 SOTA 成绩，超越了 Llama3.1-8B-Instruct、Qwen2-7B-Instruct 等模型。
   • 代码解释器功能：支持代码解释器，能够执行 Python 等语言的代码，并生成实际的输出，如二维码生成等任务。

   3. 推理与语言能力

   MiniCPM3-4B 在推理和语言能力上表现尤为突出：

   • 数学能力：在 MathBench 任务中表现优异，超过了多个更大参数的模型如 GPT-3.5-Turbo 和 Llama3.1-8B。
   • 中英文指令跟随能力：在英文任务 IFEval 中达到 68.4% 的准确率，中文任务 FollowBench-zh 中达到 66.8%，均超越 GLM-4-9B-Chat 和 Qwen2-7B-Instruct。

   4. 长文本处理能力

   • 32k 上下文支持：MiniCPM3-4B 原生支持 32k 的上下文长度，能够处理长篇文本并在大海捞针测试中表现出色。
   • LLM x MapReduce 框架：提出了 LLM 与 MapReduce 的结合，理论上能够处理无限长度的上下文。

   5. RAG（检索增强生成）能力

   MiniCPM3-4B 还具有出色的检索增强生成（RAG）能力，能够在跨语言检索、开放域问答等任务中表现优异。发布的 RAG 套件包括 MiniCPM-Embedding 和 MiniCPM-Reranker，均在中文与跨语言的检索测试中取得了 SOTA 表现。

   6. 模型微调

   MiniCPM3-4B 支持通过 LoRA（低秩适配）进行模型微调，并可结合 LLaMA-Factory 进行进一步优化，以适应用户的具体需求。

🔗 https://github.com/OpenBMB/MiniCPM