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
MMLU57.5%2023-12-115-shot查看
HUMANEVAL39.7pass@12023-12-11—查看
GSM8K36.8%2023-12-110-shot CoT查看
MATH20.5%2023-12-110-shot CoT查看
BBH47.8%2023-12-113-shot CoT查看
GPQA21.8%2023-12-110-shot查看
IFEVAL48.8%2023-12-11prompt_strict查看
ARC75.1%2023-12-11challenge查看
MUSR23.7%2023-12-110-shot查看
WINOGRANDE72.8%2023-12-110-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
Otherphi-22023-12-112KtexttextMIT

基准测试表现

基准得分单位备注
MMLU (Massive Multitask Language Understanding)57.5%5-shot
HumanEval39.7pass@1—
GSM8K (Grade School Math 8K)36.8%0-shot CoT
MATH20.5%0-shot CoT
BBH (BIG-Bench Hard)47.8%3-shot CoT
GPQA21.8%0-shot
IFEval48.8%prompt_strict
ARC75.1%challenge
MUSR23.7%0-shot
WinoGrande72.8%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