国产乾元 2 大模型来了：可编程金融文生图，120 亿参数，超对称联手复旦出品

国产大模型队伍正当 " 百模大战 " 之际，现在又添一员——

BBT-2，全称 BigBang Tansformer-2（乾元 2），120 亿参数的通用大模型。

以其为基础，项目团队还训练出了代码、金融、文生图等专业模型。

根据官方数据，其中的代码大模型在 CSDN 的自动编程评测标准上能达到 C3，和 GPT-3.5 处于同一等级 " 条件自动编程 "。

目前，专业的代码问答，已有 demo 可在线试玩～

据悉，BBT 系列模型其中3 个即将开源到 GitHub、UCloud 和官网，开箱可用。

会一并开源的还有近 1000 亿 tokens 的通用和金融预训练语料，以及 8 个中文金融大模型的评测数据集。

而这个项目的背后，是超对称公司和复旦大学知识工场实验室。

术业有专攻的 BBT-2 系列

BBT-2，是基于 GPT Decoder-only 架构的大模型，同系列 BBT-1 模型的 2 亿参数版本去年已经开源。

此次发布的 BBT-2 系列模型，包含以下 6 个：

BBT-2-12B-Text：120 亿参数的中文基础模型

BBT-2.5-13B-Text：130 亿参数的中文 + 英文双语基础模型

BBT-2-12B-TC-001-SFT：经过指令微调的代码模型，可以进行对话

BBT-2-12B-TF-001：在 120 亿模型上训的金融模型，用于解决金融领域任务

BBT-2-12B-Image：文生图模型

BBT-2-12B-Science：科学论文模型

总体看下来，BBT-2 系列既有通用大模型，也有术业有专攻的垂域模型。

通用模型

先看通用方面，利用 BBT-2，可以进行通用性的人机对话——

比如做一道居家旅行必备家常快手菜：

又或者每天编一个童话故事，讲给不肯睡觉的小朋友：

再或者提纲挈领，写个论文纲要：

专业模型

而专业模型提供的能力就相对聚焦。

利用BBT-TC，完成代码撰写——这个代码模型，是在百亿基座模型 BBT-2-12B-Text 后接续训练代码数据集，并通过有监督执行微调（supervised fine-tuing）等技术，实现人类意图对齐。

BBT-TC 是微调模型，比其通用大模型推理快不少。因此，代码问答也是本次 BBT 开放的最主要的能力。

官方公布数据，专业测评中，BBT-TC 写代码的能力次于 GPT-3.5，但高于 Copilot。

△各产品分项得分（150 分制）

实际测评中，BBT-TC 会出现大部分代码模型都存在的问题，就是首次回答不完全正确，只有在多次提问后，才会微调出正确答案。

如让它设计一个简化版的推特，并附带一些额外功能。

首次给出的回答，并没有查看推文这部分的代码功能，却擅自增加了显示用户列表的部分。

但再多尝试几次，也会出现一个比较不错的答案。

体验过程中还发现，偶尔 BBT-TC 还会出现只提供代码实现思路，而非直接生成代码的情况。

也就是说，想要一次性生成能够成功运行的代码，还是需要一些特殊的 prompt 输入技巧。

（prompt 工程师的重要性突然体现）

代码模型外，利用对标 BloombergGPT 的金融模型BBT-2-Finance，也可以完成金融领域的具体任务。

训练过程中，BBT-2-Finance 搜集和爬取了几乎所有公开可以获得的中文金融语料数据。

比如过去 20 年主流媒体的财经新闻、上市公司公告和财报、金融社交平台用户发帖等。

所以用户可以用它从长篇文本中抓关键信息，撰写摘要：

△ChatGPT 和 BBT-2-Finance 同题对比

和 ChatGPT 相比，BBT-2-Finance 的摘要更简洁，同时也没落下重要信息。

还能针对金融行业对数字的高精度需求，对单位进行换算：

△ChatGPT 和 BBT-2-Finance 同题对比

如上同题对比，ChatGPT 就弄错了单位换算，但 BBT-2-Finance 完成了正确的单位转换。

浅试了一下，表格什么的也能解读且摘取相应文字：

专业领域，除了文字生成，还有个文生图模型BBT-Image。

和一般生成逼真图像的文生图模型不同，BBT-Image 专门针对纺织行业，可以生成具有纹理、色彩和设计元素的纺织品团。

可以对比一下它和 Stable Diffusion 的生成效果。

△prompt：热带花卉芙蓉花，热带叶子，水彩效果图案，黑色背景，无缝图，循环图

△prompt：五颜六色的水母图案，细节清晰，无缝图，循环图

至于在科研论文上训练构建的BBT-Sicence，官方称可以应用在物理、化学、生物、数学领域，它能提供的能力主要有三方面：

一是快速精准的知识检索；

二是针对所研究领域的前沿问题提供新的 ideas；

三是利用多学科知识训练出的能力提供跨学科的建议。

还要提一句，整个 BBT 系列中的3 个模型即将开源，分别是金融模型 BBT-1-1B、基础模型 BBT-2-12B-Text、基础模型 BBT-2.5-13B-Text。

背后团队

一系列操作的幕后玩家，是超对称技术公司和复旦大学知识工场实验室。

超对称技术公司在去年 5 月，发布了大模型 BigBang Tansformer（乾元）的第一版 BBT-1，在中文金融语料上训练而成的 10 亿参数模型。

复旦大学知识工场实验室，源于复旦图数据管理实验室（GDM@FUDAN），由教授肖仰华领衔。

整个过程，超对称公司主导预训练部分，指令微调和评测工作则联合复旦大学知识工场实验室完成。

据悉，有了系列模型后，背后团队也开始致力于对科学大模型进行评测。

超对称合作复旦、上海交大、浙大、南航、中山、北师大等多所大学，号召全球一线科研人员共同构建科研问题评测数据集ResearchQA，覆盖数学、物理、化学、生物、地理地质、计算机和电子工程等前沿科研领域。

ResearchQA 提交邮箱：researchqa@susymmetry.com

BBT-2 地址：https://www.ssymmetry.com/

— 联系作者 —