Mistral新旗舰决战Llama 3.1！最强开源Large 2 123B，扛鼎多语言编程全能王

昨天正式发布的Llama 3.1模型，让AI社区着实为之兴奋。

但是仔细一想就能发现——405B的参数规模，基本是没法让个人开发者在本地运行了。

比如昨天刚发布，就有一位勇敢的推特网友亲测，用一张英伟达4090运行Llama 3.1。

结果可想而知，等了30分钟模型才开始回应，缓缓吐出一个「The」。

最后结果是，Llama给出完整回应，整整用了20个小时。

根据Artificial Analysis的估算，你需要部署含2张8×H100的DGX超算才能在本地运行405B。

看来，小扎对Llama 3.1成为开源AI界Linux的期待，可能和现实有不少的差距。目前的硬件能力，很难支持405B模型的大范围全量运行。

此时，又一位开源巨头Mistral精准踩点，发布了他们的最新旗舰模型Mistral Large 2。

Mistral Large 2在代码生成、数学和推理等方面的能力明显增强，可以与GPT-4o和Llama 3.1一较高下。

而且，模型参数量仅有123B，不到Llama 3.1 405B的三分之一，完全可以在单个节点上以大吞吐量运行。

成本效率、速度和性能的「三角形战士」，Mistral Large当之无愧——

和GPT-4o比，它开源；和Llama 3.1 450B比，它参数少；和Llama 3 70B比，它性能好。

推特网友惊呼，「开源AI就这么卷起来了吗！」

短短一周时间内，GPT-4o mini、Llama 3.1、Mistral Large 2相继发布，有些让人应接不暇。

「我躺了，你们先卷着。」

但躺平阵营中绝对不包含ollama。前脚Mistral刚官宣，这边就火速更新。

果然，参数量砍去一大半之后，本地部署难度就大大下降了。

同样从ollama上下载模型，用96GB内存还是可以顺利运行起来的。

虽然3 token/s的生成速度慢了点，但比起用20个小时等模型响应，已经是质的飞跃了。

用前段时间击穿GPT-4o的「9.11 vs. 9.9」问题测试Large 2，没想到它竟然答对了。

值得一提的是，Mistral Large首代发布还不到半年（2024年2月），但并没有开源，用户只能通过官方API或Azure访问。

刚发布的Mistral Large 2则已经将模型权重托管到了HuggingFace仓库中，向研究和非商业用途开放，但商业用途的部署仍需要直接联系Mistral以取得许可。

HuggingFace地址：https://huggingface.co/mistralai/Mistral-Large-Instruct-2407

不仅上下文窗口从上一代的32k增长到了128k（同Llama 3.1），而且有强大的多语言能力，支持数十种自然语言以及80多种编程语言。

令人印象深刻的是，Mistral Large的预训练版本在MMLU上的准确率可以达到84%。

这个成绩已经超过了340B参数的Nemotron，而且与GPT-4（85.1%）和Llama 3.1（87.3%）基本处于同一水平，可以说是将模型性能/成本的Pareto最优边界又向前推进了一步。

出自Llama 3.1论文

代码与推理

基于Mistral之前训练Codestral 22B和Codestral Mamba的经验，研究团队对Mistral Large 2也进行了大量代码训练，支持包括Python、Java、C、C++、JavaScript 和Bash在内的80多种语言。

在代码生成方面，Mistral Large 2远远优于Llama 3.1 70B和之前的Mistral Large，与Llama 3.1 405B不相上下。

团队在提高模型的推理能力方面也投入了大量精力。在训练过程中，特别关注减少模型的「幻觉」。

实现方法就是通过微调，让模型的响应更加谨慎而敏锐，确保它提供可靠、准确的输出。

此外，经过训练的Mistral Large 2还被赋予了一个品质：承认自己并非无所不知。

在无法找到解决方案，或没有足够信息支撑有效回答时，模型会直接承认而非「不懂装懂」。

Mistral Large 2这种对答案准确性的「责任感」，提升了在数学基准上的表现，展现了更强的推理和解决问题的能力。

在用于代码生成的HumanEval和HumanEval Plus基准测试中，它的表现优于Claude 3.5 Sonnet和Llama 3.1，仅次于GPT-4o。

代码生成基准测试

在MultiPL-E基准上，Mistral Large 2的平均生成准确率领先Llama 3.1将近1个百分点，而且可以媲美GPT-4o。

纵向比较也可以看出，Codestral系列的经验对Mistral Large 2有不少助益。仅仅过了5个月，Mistral Large系列的生成准确率就从58.8%飙升至74.4%。

而且，在以数学为重点的基准测试中（GSM8K和MATH），它的表现也可圈可点。

GSM8K（8-shot）和MATH（0-shot，无CoT）基准测试

指令执行与对齐

Mistral Large 2的指令执行和对话能力也得到了显著提升，在执行精确指令和处理长时间多轮对话方面表现尤为出色。

以下是其在Wild Bench和Arena Hard基准测试上的表现：

通用对齐基准测试

在一些基准测试中，生成较长的回答通常会提高得分。

然而，在许多商业应用中，答案的简洁至关重要——简短的模型响应可以促进更快速的交互，让推理过程更加高效且降低成本。

Mistral声称Large 2可以比领先的人工智能模型产生更简洁的响应，因为后者倾向于喋喋不休。

下图展示了不同模型在MT Bench基准测试中问题的平均生成长度：

语言多样性

如今，许多商业应用涉及处理多语言文档。

尽管大多数模型以英语为中心，但Mistral Large 2在大量多语言数据上进行了训练。

比如，在法语、德语、西班牙语、意大利语、葡萄牙语、荷兰语、俄语、中文、日语、韩语、阿拉伯语和印地语等多种语言上，Mistral Large 2都有出色的性能。

以下是Mistral Large 2在多语言MMLU基准测试中的表现结果，并与之前的Mistral Large、Llama 3.1模型以及Cohere的Command R+进行了比较：

在下图的8种语言上，Mistral Large 2的性能可以媲美Llama 3.1 405。但值得注意的是，所有模型似乎都在中文MMLU上取得了最低分。

工具使用与函数调用

Mistral Large 2具备了更强的函数调用和检索能力，能够熟练执行并行和顺序的函数调用，准确率甚至超过了GPT-4o。

这意味着，Mistral Large 2可以成为复杂商业应用的核心引擎。

除了直接从HuggingFace上下载权重，用户可以通过官方API平台la Plateforme访问或微调模型，免费聊天机器人le chat也已经部署了Mistral Large 2。

Vertex AI、Azure Studio等第三方云平台也托管了Mistral Large 2的API。