发布日期:2024-07-18 16:48 点击次数:192
梦晨 一水 发自 凹非寺
量子位 | 公众号 QbitAI
没眼看……“9.11和9.9哪个大”这么简短的问题,尽然把主流大模子皆难倒了??
强如GPT-4o,皆执意地以为9.11更大。
小程序开发谷歌Gemini Advanced付费版,雷同的口径。
新王Claude 3.5 Sonnet,还一册隆重的给出离谱的计较形势。
9.11 = 9 + 1/10 + 1/100
9.9 = 9 + 9/10
9.11 = 9 + 1/10 + 1/100
9.9 = 9 + 9/10
到这一步如故对的,但下一步瞬息就不讲真理了
如上所示,9.11比9.90大0.01。
你想让我进一步详确证实少许的比拟吗?
如上所示,9.11比9.90大0.01。
你想让我进一步详确证实少许的比拟吗?
这你还证实啥啊证实,竟然要怀疑是全天下AI长入起来诳骗东说念主类了。
艾伦AI蓄意所成员林禹臣换了个数字测试,GPT-4o依旧翻车,他暗示:
一方面AI越来越擅长作念数学奥赛题,但另一方面学问依旧很难。
一方面AI越来越擅长作念数学奥赛题,但另一方面学问依旧很难。
也有网友发现了华点,淌若是说软件版块号,那么9.11版块如实比9.9版块更大(更新)。
而AI皆是软件工程师成就的,是以……
那么,究竟是若何回事?
先进大模子集体翻车
一醒觉来,一众响当当的大模子启动以为“9.11>9.9”了?
发现这个问题的是Riley Goodside,有史以来第一个全职辅导词工程师。
简短先容下,他现在是硅谷独角兽Scale AI的高档辅导工程师,亦然大模子辅导运用方面的众人。
最近他在使用GPT-4o时有时发现,当发问:
9.11 and 9.9——which is bigger?
9.11 and 9.9——which is bigger?
GPT-4o竟绝不盘桓恢复前者更大。
靠近这一学问性“诞妄”,他不停念地又去问了其他大模子,恶果险些杜渐防微。
好家伙,身为又名辅导工程师,他机敏意志到可能是“掀开花式有误”。
于是他又换了个问法,将发问收尾在“实数”,恶果如故翻车了。
不外,有网友试着给发问换了个规则,没意象这下AI竟反映过来了。
看到AI对词序如斯“敏锐”,该网友进一步推断:
先问哪个更大,AI会沿着明确旅途启动比拟数字。
但淌若仅仅粗放说说数字,莫得明确方向,AI可能会启动“白昼见鬼”。
先问哪个更大,AI会沿着明确旅途启动比拟数字。
但淌若仅仅粗放说说数字,莫得明确方向,AI可能会启动“白昼见鬼”。
看到这里,其他网友也纷繁拿相易辅导试了一把,恶果翻车的不在少数。
靠近这一个诡异的问题,国产大模子默契若何呢?
咱们简短测试一番,问题也换成汉文发问,恶果翻车率也比拟高,中式几个有代表性的展示:
Kimi亦然不加证实就径直给出诞妄论断。
智谱清言APP上的ChatGLM,自动触发了联网查询,然后状貌了我方的比拟形势,可惜却实行错了。
不外也有默契可以的,腾讯元宝先复述了一遍选项,然后径直作念对。
字节豆包是少数能把比拟形势状貌清亮,而况用对的。致使还关系试验例如来考据。
比拟可惜的是文心一言,软件开发资讯靠近这个问题,亦然触发了联网查询。
蓝本皆如故作念对了,但瞬息话锋一瞥又导向了诞妄论断。
不外从文心一言的想路证实上,也可以看出背后问题方位。
由于大模子以token的花式来意会翰墨,当9.11被拆成“9”、“少许点”和“11”三部分时,11如实比9大。
由于OpenAI使用的Tokenizer开源,可以用来不雅察大模子是若何意会这个问题。
上图可以看出,9和少许点分袂被分拨为“24”和“13”,少许点后的9雷同亦然“24”,而11被分拨到“994”。
是以使用这种tokenizer形势的大模子会以为9.11更大,其实是以为11大于9。
也有网友指出,像是书本目次里第9.11节也比第9.9节大,是以最终可能如故教育数据里见这种见得多了,而手把手教基础算数的数据很少。
也等于问题本人对东说念主类来说,一看就知说念问的是算数问题,但对AI来说是一个暗昧的问题,并不清亮这两个数字代表什么。
独一向AI证实昭着这是一个双精度浮点数,就可以作念对了。
在有终点条目的情况下,tokenizer这一步依然会给11分拨更大的token。然而在后续自正式力机制的作用下,AI就会昭着要把9.11连起来处理了。
自后Goodside也补充,并不是说大模子不管若何皆认定了这个诞妄论断。而是当以特定花式发问时,很多动身点模子皆会告诉你9.11>9.9,这很奇怪。
经由反复尝试后他发现,想让AI上这个当,需要把选项放在发问前边,淌若调整规则就不会出错。
然而独一选项在问题前边,转换发问的花式,如加标点、换词汇皆不会有影响。
天然问题很简短,诞妄很基础。
但了解出错旨趣之后,很多东说念主皆把这个问题当成了试验辅导词手段的试金石,也等于:用什么发问形势能指令大模子的正式力机制正确意会问题呢?
动身点,大名鼎鼎的Zero-shot CoT想维链,也等于“一步一时局想”,是可以作念对的。
不外扮装束演辅导,在这里作用就有限了。
刚好最近也有微软和OpenAI皆参与的一项蓄意,分析了1500多份论文后发现,跟着大模子时代的卓绝,扮装束演辅导不像一启动那样有效了……
具体来说,并吞个问题辅导“你是一个天才……”比“你是一个傻瓜……”的正确率还低。
亦然让东说念主哭笑不得了。
One More Thing
与此同期,路透社的OpenAI玄机模子「草莓」线路音书更新了。
更新内容为:另一位线东说念主敷陈,OpenAI如故在里面测试了新模子,在MATH数据集上得分卓绝90%。路透社无法细目这是否与“草莓”是并吞个名堂。
MATH数据集包含竞赛级别的数学题,现在不必屡次采样等终点形势,最高分是谷歌Gemini 1.5 Pro数学强化版的80.6%。
然而OpenAI新模子在莫得终点辅导情况下,能不可自主惩办“9.11和9.9哪个大?”。
瞬息没信心了,如故等能试玩了再看恶果吧……
参考荟萃:
[1]https://x.com/goodside/status/1812977352085020680
[2]https://x.com/billyuchenlin/status/1812948314360541302
[3]https://www.reuters.com/technology/artificial-intelligence/openai-working-new-reasoning-technology-under-code-name-strawberry-2024-07-12/
[4]https://tiktokenizer.vercel.app
[5]https://x.com/learnprompting/status/1812867464419852765
— 完—
量子位年度AI主题经营正在征荟萃!
宽贷投稿专题一千零一个AI运用,365行AI落地决议
或与咱们共享你在寻找的AI产物,或发现的AI新动向
点这里👇柔顺我,记起标星哦~
一键三连「共享」、「点赞」和「在看」
科技前沿进展日日相逢 ~软件开发价格
发布于:北京市