From Large to Small Language Models for Balanced Performance and Benchmarking
Notice bibliographique
Résumé
Large Language Models (LLMs) have transformed natural language processing, but their significant computational demands and environmental costs raise concerns. This study explores Small Language Models (SLMs) as a sustainable alternative, evaluating their efficiency and performance on the Massive Multitask Language Understanding (MMLU) benchmark. We assess three SLMs: TinyLlama 1.1B, Qwen2 1.5B, and Phi 3 Mini 3.8B, and introduce a novel hierarchical multi-agent system to enhance their capabilities. The findings demonstrate that SLMs achieve competitive baseline accuracy with notably lower computational overhead. Phi 3 Mini, for instance, reaches 69.0% accuracy while using only 7.6 GB of GPU memory, making it highly accessible. The hierarchical multi-agent system further bridges the performance gap with LLMs by providing specialized reasoning agents, tool-use capabilities, and a hierarchical consensus mechanism. This approach delivered substantial accuracy improvements: TinyLlama improved from 24.42% to 35.55%, Qwen2 from 51.44% to 61.39%, and Phi-3-Mini from 67.16% to 76.60%. The multi-agent paradigm offers significant environmental and efficiency benefits by improving models through intelligent composition rather than parameter scaling. This allows SLMs to achieve high performance with a drastically smaller footprint, reducing inference costs and promoting more sustainable AI. Our results support the use of SLMs as a viable and democratized alternative for AI development.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,004 | 0,019 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,005 |
| Science ouverte | 0,003 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,003 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».