Phi-2：完整基准性能指南

other phi-2 2023-12-11 MIT

深入分析 Phi-2 在 MMLU、HumanEval、GSM8K、MATH、BBH 等基准上的表现，包含定价与适用场景。

核心规格

厂商other
版本phi-2
发布日期2023-12-11
上下文窗口2048 tokens
输入模态text
输出模态text
许可MIT
文档https://huggingface.co/models

基准测试表现

基准 得分 单位 评测日期 备注 来源
MMLU 57.5 % 2023-12-11 5-shot 查看
HUMANEVAL 39.7 pass@1 2023-12-11 — 查看
GSM8K 36.8 % 2023-12-11 0-shot CoT 查看
MATH 20.5 % 2023-12-11 0-shot CoT 查看
BBH 47.8 % 2023-12-11 3-shot CoT 查看
GPQA 21.8 % 2023-12-11 0-shot 查看
IFEVAL 48.8 % 2023-12-11 prompt_strict 查看
ARC 75.1 % 2023-12-11 challenge 查看
MUSR 23.7 % 2023-12-11 0-shot 查看
WINOGRANDE 72.8 % 2023-12-11 0-shot 查看

定价

项目 价格 币种
输入$0.1 / MtokUSD
输出$0.1 / MtokUSD
缓存读$0 / MtokUSD
缓存写$0 / MtokUSD

数据来源: https://huggingface.co/models · 截至 2023-12-11

合规性

  • 数据驻留: self-host
  • SOC2: ✗
  • HIPAA: ✗
  • GDPR: ✗
  • ISO 27001: ✗

Phi-2

模型概述

Microsoft Phi-2 2.7B 模型, 2K 上下文, 在 2.7B 规模上推理能力突出, 适合研究/教育用途。

核心规格

厂商 版本 发布日期 上下文窗口 输入模态 输出模态 许可证
Other phi-2 2023-12-11 2K text text MIT

基准测试表现

基准 得分 单位 备注
MMLU (Massive Multitask Language Understanding) 57.5 % 5-shot
HumanEval 39.7 pass@1 —
GSM8K (Grade School Math 8K) 36.8 % 0-shot CoT
MATH 20.5 % 0-shot CoT
BBH (BIG-Bench Hard) 47.8 % 3-shot CoT
GPQA 21.8 % 0-shot
IFEval 48.8 % prompt_strict
ARC 75.1 % challenge
MUSR 23.7 % 0-shot
WinoGrande 72.8 % 0-shot

定价

输入 输出 缓存读取 缓存写入
— — — —

每百万 token

优势

  • 可靠的通用模型。

劣势

  • MMLU 仅 57.5，知识推理偏弱。
  • HumanEval 39.7，代码能力较弱。
  • 闭源专有模型，不支持自托管。
  • 上下文窗口 2K 偏小。

适用场景

  • 通用对话与问答

参考文献