点击下方卡片，关注“CVer”公众号
AI/CV重磅干货，第一时间送达
万万没想到，以文生图著名的Stable Diffusion，也入局了大语言模型（LLM）之战。
它背后的公司Stability AI，正式推出类ChatGPT产品——StableLM。
https://github.com/Stability-AI/StableLM
据了解，这个模型目前处于Alpha版本，拥有的参数量分别为30亿和70亿；后续还将推出150亿到650亿参数模型。
而且不到一天时间，在GitHub上开源的项目便已经揽获了超4K颗星，火爆程度可见一斑。
原本大语言模型之战再添玩家应当是一件令人兴奋的事情。
但结果竟也是一个万万没想到的大反转。
网友们在体验了StableLM之后，毫不留情地给出这样的评价：
非常糟糕。
StableLM真的有那么不堪吗？
我们先来看下StableLM所展示出来的能力。
据Stability AI官方介绍，StableLM的建立是基于GPT-J、GPT-NeoX和Pythia套件开发的；而它们又是在The Pile开源数据集上进行的训练。
但StableLM与上述模型有所不同，它采用了The Pile的新数据集，与此前相比，足足大了三倍，并且包含1.5万亿个token。
除了基本情况的介绍之外，Stabliity AI也给出了几个demo。
例如在对话方面，若是提问“你会对即将高中毕业的朋友说些什么”，StableLM会回答：
应该为自己和取得的成绩感到骄傲，并且应该对未来抱以期望。
对于“写一封电子邮件”这样的任务，StableLM也是可以轻松应对。
在创作方面，若是给出这样的一个题目——“在深度神经网络和符号人工智能之间写一首史诗般的说唱战歌”。
StableLM也是可以秒写一首rap的歌词：
在写代码方面，Stability AI也展示了“不走寻常路”的例子——
用C语言编写可以计算机生命意义的代码。
文本对话、创作内容、编写代码，从官方亮出的例子上来看，似乎StableLM的能力还是可以的。
但为什么会出现刚才有人评价的“非常糟糕”呢？
货比三家，实力便可一较高下。
在实测的过程中，网友给StableLM出了这样的一个题目：
以下是关于一则新闻的信息：
标题为“FBI引用‘新证据’宣布追捕Shakur谋杀案嫌疑人”；副标题为“十年后，当局公布了杀害说唱歌手的凶手的姓名和照片”。
请完成这个故事的撰写。
虽然StableLM给出了一篇完整的新闻报道，但若是细看内容，却是经不住推敲的。
最直接的错误，就是StableLM竟然连被害人Tupac Shakur都不认得，而且还把Shakur视为凶手的西班牙名字……
如果类似的问题交给ChatGPT，那么结果就截然不同了：
起码人家ChatGPT能认得事件主人公是谁。
当被问及非常简单的问题，例如“StableLM能做什么”，它给出的回答是：
主要用作系统工程和体系结构中的决策支持系统，也可以用于统计学习、强化学习等领域。
网友对此作答的评价是“平平无奇”。
但更重要的是，在测试过程中，网友还发现StableLM缺乏对敏感内容的保护。
例如在著名的一项测试——“不要赞美希特勒（don’t praise Hitler）”中，它的表现就会令人大跌眼镜……
朋友们可以细品一下：
依旧是同样的问题，若是交给ChatGPT，结果是这样的：
嗯，直接拒了。
不过网友也比较客气地提醒道：
先别急着说StableLM是史上最糟糕的语言模型。
毕竟人家Alpha版本的参数量目前较小，以及还是开源的。
正如我们刚才提到的，目前StableLM在GitHub上已经开源。
但不仅如此，官方也在HuggingFace中上线了demo试玩！
“入口”都放下面了，感兴趣的小伙伴们可以去体验一下喽~
HuggingFace地址：
https://huggingface.co/spaces/stabilityai/stablelm-tuned-alpha-chat
GitHub地址：
https://github.com/Stability-AI/StableLM
参考链接：
[1]https://stability.ai/blog/stability-ai-launches-the-first-of-its-stablelm-suite-of-language-models
[2]https://twitter.com/StabilityAI/status/1648706156330876928
[3]https://mashable.com/article/stablelm-stability-ai-language-model-explained
最新CVPR 2023论文和代码下载
后台回复：CVPR2023，即可下载CVPR 2023论文和代码开源的论文合集
后台回复：Transformer综述，即可下载最新的3篇Transformer综述PDF
多模态和Transformer交流群成立
扫描下方二维码，或者添加微信：CVer333，即可添加CVer小助手微信，便可申请加入CVer-多模态或者Transformer 微信交流群。另外其他垂直方向已涵盖：目标检测、图像分割、目标跟踪、人脸检测&识别、OCR、姿态估计、超分辨率、SLAM、医疗影像、Re-ID、GAN、NAS、深度估计、自动驾驶、强化学习、车道线检测、模型剪枝&压缩、去噪、去雾、去雨、风格迁移、遥感图像、行为识别、视频理解、图像融合、图像检索、论文投稿&交流、PyTorch、TensorFlow和Transformer等。
一定要备注：研究方向+地点+学校/公司+昵称（如多模态或者Transformer+上海+上交+卡卡），根据格式备注，可更快被通过且邀请进群
▲扫码或加微信号: CVer333，进交流群
CVer计算机视觉（知识星球）来了！想要了解最新最快最好的CV/DL/AI论文速递、优质实战项目、AI行业前沿、从入门到精通学习教程等资料，欢迎扫描下方二维码，加入CVer计算机视觉，已汇集数千人！
▲扫码进星球
▲点击上方卡片，关注CVer公众号整理不易，请点赞和在看