别吹啦!9.11和9.9哪个大?AI大模型几乎全翻车了(组图)
新闻来源: 量子位 于2024-07-16 11:44:20 提示:新闻观点不代表本网立场 分享
没眼看……“9.11 和 9.9 哪个大”这样简单的问题,居然把主流大模型都难倒了??
强如 GPT-4o,都坚定地认为 9.11 更大。
![](https://web.popo8.com/202407/16/16/eef5915f59type_png_size_1080_141_end.jpg)
谷歌 Gemini Advanced 付费版,同样的口径。
![](https://web.popo8.com/202407/16/11/0cc7e7b197type_png_size_1030_157_end.jpg)
新王 Claude 3.5 Sonnet,还一本正经的给出离谱的计算方法。
![](https://web.popo8.com/202407/16/13/e88c76978etype_png_size_1080_258_end.jpg)
9.11 = 9 + 1/10 + 1/100
9.9 = 9 + 9/10
到这一步还是对的,但下一步突然就不讲道理了
如上所示,9.11 比 9.90 大 0.01。
你想让我进一步详细解释小数的比较吗?
![](https://web.popo8.com/202407/16/7/75ab6ab3eetype_png_size_682_195_end.jpg)
这你还解释啥啊解释,简直要怀疑是全世界 AI 联合起来欺骗人类了。
![](https://web.popo8.com/202407/16/14/39d34d1761type_png_size_440_101_end.jpg)
艾伦 AI 研究所成员林禹臣换了个数字测试,GPT-4o 依旧翻车,他表示:
一方面 AI 越来越擅长做数学奥赛题,但另一方面常识依旧很难。
![](https://web.popo8.com/202407/16/14/dc78edb82ctype_png_size_1080_142_end.jpg)
也有网友发现了华点,如果是说软件版本号,那么 9.11 版本确实比 9.9 版本更大(更新)。
而 AI 都是软件工程师开发的,所以……
![](https://web.popo8.com/202407/16/7/ebb798b5d2type_png_size_1080_543_end.jpg)
那么,究竟是怎么回事?
先进大模型集体翻车
一觉醒来,一众响当当的大模型开始认为“9.11>9.9”了?
发现这个问题的是 Riley Goodside,有史以来第一个全职提示词工程师。
简单介绍下,他目前是硅谷独角兽 Scale AI 的高级提示工程师,也是大模型提示应用方面的专家。
![](https://web.popo8.com/202407/16/7/dc0e77fc6dtype_png_size_1080_193_end.jpg)
最近他在使用 GPT-4o 时偶然发现,当提问:
9.11 and 9.9——which is bigger?
GPT-4o 竟毫不犹豫回答前者更大。
面对这一常识性“错误”,他不死心地又去问了其他大模型,结果几乎全军覆没。
好家伙,身为一名提示工程师,他敏锐意识到可能是“打开方式有误”。
于是他又换了个问法,将提问限定在“实数”,结果还是翻车了。
![](https://web.popo8.com/202407/16/9/f7e0a33968type_png_size_828_149_end.jpg)
不过,有网友试着给提问换了个顺序,没想到这下 AI 竟反应过来了。
![](https://web.popo8.com/202407/16/1/1af92f951btype_png_size_1080_112_end.jpg)
看到 AI 对词序如此“敏感”,该网友进一步推测:
先问哪个更大,AI 会沿着明确路径开始比较数字。
但如果只是随便说说数字,没有明确目的,AI 可能会开始“胡思乱想”。
![](https://web.popo8.com/202407/16/5/b2859eab0atype_png_size_1080_319_end.jpg)
看到这里,其他网友也纷纷拿相同提示试了一把,结果翻车的不在少数。
![](https://web.popo8.com/202407/16/2/219e9c6a17type_png_size_1080_137_end.jpg)
面对这一个诡异的问题,国产大模型表现如何呢?
我们简单测试一番,问题也换成中文提问,结果翻车率也比较高,选取几个有代表性的展示:
Kimi 也是不加解释就直接给出错误结论。
![](https://web.popo8.com/202407/16/13/bb1ddccc95type_jpeg_size_1080_175_end.jpg)
智谱清言 App 上的 ChatGLM,自动触发了联网查询,然后描述了自己的比较方法,可惜却执行错了。
![](https://web.popo8.com/202407/16/13/3e00d07946type_jpeg_size_1080_123_end.jpg)
不过也有表现不错的,腾讯元宝先复述了一遍选项,然后直接做对。
![](https://web.popo8.com/202407/16/13/dd187a2899type_jpeg_size_1080_254_end.jpg)
字节豆包是少数能把比较方法描述清楚,而且用对的。甚至还联系实际举例来验证。
![](https://web.popo8.com/202407/16/15/5d936ec921type_png_size_1056_227_end.jpg)
比较可惜的是文心一言,面对这个问题,也是触发了联网查询。
![](https://web.popo8.com/202407/16/15/cb1fc51303type_jpeg_size_1080_270_end.jpg)
本来都已经做对了,但突然话锋一转又导向了错误结论。
![](https://web.popo8.com/202407/16/15/1be4d7cbbftype_png_size_1080_52_end.jpg)
不过从文心一言的思路解释上,也可以看出背后问题所在。
由于大模型以 token 的方式来理解文字,当 9.11 被拆成“9”、“小数点”和“11”三部分时,11 确实比 9 大。
由于 OpenAI 使用的 Tokenizer 开源,可以用来观察大模型是如何理解这个问题。
![](https://web.popo8.com/202407/16/4/c10f3af3a7type_png_size_1080_173_end.jpg)
上图可以看出,9 和小数点分别被分配为“24”和“13”,小数点后的 9 同样也是“24”,而 11 被分配到“994”。
所以使用这种 tokenizer 方法的大模型会认为 9.11 更大,其实是认为 11 大于 9。
也有网友指出,像是书籍目录里第 9.11 节也比第 9.9 节大,所以最终可能还是训练数据里见这种见得多了,而手把手教基础算数的数据很少。
也就是问题本身对人类来说,一看就知道问的是算数问题,但对 AI 来说是一个模糊的问题,并不清楚这两个数字代表什么。
只要向 AI 解释明白这是一个双精度浮点数,就可以做对了。
![](https://web.popo8.com/202407/16/11/531819a509type_png_size_1080_204_end.jpg)
在有额外条件的情况下,tokenizer 这一步依然会给 11 分配更大的 token。但是在后续自注意力机制的作用下,AI 就会明白要把 9.11 连起来处理了。
![](https://web.popo8.com/202407/16/0/fa6b0a808atype_png_size_1080_193_end.jpg)
后来 Goodside 也补充,并不是说大模型无论如何都认定了这个错误结论。而是当以特定方式提问时,许多领先模型都会告诉你 9.11>9.9,这很奇怪。
![](https://web.popo8.com/202407/16/9/272c2657a2type_png_size_1080_344_end.jpg)
经过反复尝试后他发现,想让 AI 上这个当,需要把选项放在提问前面,如果调换顺序就不会出错。
但是只要选项在问题前面,改变提问的方式,如加标点、换词汇都不会有影响。
![](https://web.popo8.com/202407/16/5/6695922281type_png_size_1080_165_end.jpg)
虽然问题很简单,错误很基础。
但了解出错原理之后,许多人都把这个问题当成了检验提示词技巧的试金石,也就是:用什么提问方法能引导大模型的注意力机制正确理解问题呢?
首先,大名鼎鼎的 Zero-shot CoT 思维链,也就是“一步一步地想”,是可以做对的。
![](https://web.popo8.com/202407/16/8/1eb3f6b0f9type_png_size_1080_120_end.jpg)
不过角色扮演提示,在这里作用就有限了。
![](https://web.popo8.com/202407/16/10/1a3aaeb079type_png_size_1080_352_end.jpg)
刚好最近也有微软和 OpenAI 都参与的一项研究,分析了 1500 多份论文后发现,随着大模型技术的进步,角色扮演提示不像一开始那样有用了……
![](https://web.popo8.com/202407/16/15/aff9645d45type_png_size_1080_103_end.jpg)
具体来说,同一个问题提示“你是一个天才……”比“你是一个傻瓜……”的正确率还低。
也是让人哭笑不得了。
![](https://web.popo8.com/202407/16/4/f826abe89etype_png_size_1080_91_end.jpg)
One More Thing
与此同时,路透社的 OpenAI 秘密模型「草莓」泄漏消息更新了。
![](https://web.popo8.com/202407/16/2/73a3a716c0type_png_size_1010_218_end.jpg)
更新内容为:另一位线人报告,OpenAI 已经在内部测试了新模型,在 MATH 数据集上得分超过 90%。路透社无法确定这是否与“草莓”是同一个项目。
![](https://web.popo8.com/202407/16/15/77e0ee9a8atype_png_size_1080_844_end.jpg)
MATH 数据集包含竞赛级别的数学题,目前不用多次采样等额外方法,最高分是谷歌 Gemini 1.5 Pro 数学强化版的 80.6%。
![](https://web.popo8.com/202407/16/6/8ad2787081type_png_size_874_286_end.jpg)
但是 OpenAI 新模型在没有额外提示情况下,能不能自主解决“9.11 和 9.9 哪个大?”。
突然没信心了,还是等能试玩了再看结果吧……
强如 GPT-4o,都坚定地认为 9.11 更大。
![](https://web.popo8.com/202407/16/16/eef5915f59type_png_size_1080_141_end.jpg)
谷歌 Gemini Advanced 付费版,同样的口径。
![](https://web.popo8.com/202407/16/11/0cc7e7b197type_png_size_1030_157_end.jpg)
新王 Claude 3.5 Sonnet,还一本正经的给出离谱的计算方法。
![](https://web.popo8.com/202407/16/13/e88c76978etype_png_size_1080_258_end.jpg)
9.11 = 9 + 1/10 + 1/100
9.9 = 9 + 9/10
到这一步还是对的,但下一步突然就不讲道理了
如上所示,9.11 比 9.90 大 0.01。
你想让我进一步详细解释小数的比较吗?
![](https://web.popo8.com/202407/16/7/75ab6ab3eetype_png_size_682_195_end.jpg)
这你还解释啥啊解释,简直要怀疑是全世界 AI 联合起来欺骗人类了。
![](https://web.popo8.com/202407/16/14/39d34d1761type_png_size_440_101_end.jpg)
艾伦 AI 研究所成员林禹臣换了个数字测试,GPT-4o 依旧翻车,他表示:
一方面 AI 越来越擅长做数学奥赛题,但另一方面常识依旧很难。
![](https://web.popo8.com/202407/16/14/dc78edb82ctype_png_size_1080_142_end.jpg)
也有网友发现了华点,如果是说软件版本号,那么 9.11 版本确实比 9.9 版本更大(更新)。
而 AI 都是软件工程师开发的,所以……
![](https://web.popo8.com/202407/16/7/ebb798b5d2type_png_size_1080_543_end.jpg)
那么,究竟是怎么回事?
先进大模型集体翻车
一觉醒来,一众响当当的大模型开始认为“9.11>9.9”了?
发现这个问题的是 Riley Goodside,有史以来第一个全职提示词工程师。
简单介绍下,他目前是硅谷独角兽 Scale AI 的高级提示工程师,也是大模型提示应用方面的专家。
![](https://web.popo8.com/202407/16/7/dc0e77fc6dtype_png_size_1080_193_end.jpg)
最近他在使用 GPT-4o 时偶然发现,当提问:
9.11 and 9.9——which is bigger?
GPT-4o 竟毫不犹豫回答前者更大。
面对这一常识性“错误”,他不死心地又去问了其他大模型,结果几乎全军覆没。
好家伙,身为一名提示工程师,他敏锐意识到可能是“打开方式有误”。
于是他又换了个问法,将提问限定在“实数”,结果还是翻车了。
![](https://web.popo8.com/202407/16/9/f7e0a33968type_png_size_828_149_end.jpg)
不过,有网友试着给提问换了个顺序,没想到这下 AI 竟反应过来了。
![](https://web.popo8.com/202407/16/1/1af92f951btype_png_size_1080_112_end.jpg)
看到 AI 对词序如此“敏感”,该网友进一步推测:
先问哪个更大,AI 会沿着明确路径开始比较数字。
但如果只是随便说说数字,没有明确目的,AI 可能会开始“胡思乱想”。
![](https://web.popo8.com/202407/16/5/b2859eab0atype_png_size_1080_319_end.jpg)
看到这里,其他网友也纷纷拿相同提示试了一把,结果翻车的不在少数。
![](https://web.popo8.com/202407/16/2/219e9c6a17type_png_size_1080_137_end.jpg)
面对这一个诡异的问题,国产大模型表现如何呢?
我们简单测试一番,问题也换成中文提问,结果翻车率也比较高,选取几个有代表性的展示:
Kimi 也是不加解释就直接给出错误结论。
![](https://web.popo8.com/202407/16/13/bb1ddccc95type_jpeg_size_1080_175_end.jpg)
智谱清言 App 上的 ChatGLM,自动触发了联网查询,然后描述了自己的比较方法,可惜却执行错了。
![](https://web.popo8.com/202407/16/13/3e00d07946type_jpeg_size_1080_123_end.jpg)
不过也有表现不错的,腾讯元宝先复述了一遍选项,然后直接做对。
![](https://web.popo8.com/202407/16/13/dd187a2899type_jpeg_size_1080_254_end.jpg)
字节豆包是少数能把比较方法描述清楚,而且用对的。甚至还联系实际举例来验证。
![](https://web.popo8.com/202407/16/15/5d936ec921type_png_size_1056_227_end.jpg)
比较可惜的是文心一言,面对这个问题,也是触发了联网查询。
![](https://web.popo8.com/202407/16/15/cb1fc51303type_jpeg_size_1080_270_end.jpg)
本来都已经做对了,但突然话锋一转又导向了错误结论。
![](https://web.popo8.com/202407/16/15/1be4d7cbbftype_png_size_1080_52_end.jpg)
不过从文心一言的思路解释上,也可以看出背后问题所在。
由于大模型以 token 的方式来理解文字,当 9.11 被拆成“9”、“小数点”和“11”三部分时,11 确实比 9 大。
由于 OpenAI 使用的 Tokenizer 开源,可以用来观察大模型是如何理解这个问题。
![](https://web.popo8.com/202407/16/4/c10f3af3a7type_png_size_1080_173_end.jpg)
上图可以看出,9 和小数点分别被分配为“24”和“13”,小数点后的 9 同样也是“24”,而 11 被分配到“994”。
所以使用这种 tokenizer 方法的大模型会认为 9.11 更大,其实是认为 11 大于 9。
也有网友指出,像是书籍目录里第 9.11 节也比第 9.9 节大,所以最终可能还是训练数据里见这种见得多了,而手把手教基础算数的数据很少。
也就是问题本身对人类来说,一看就知道问的是算数问题,但对 AI 来说是一个模糊的问题,并不清楚这两个数字代表什么。
只要向 AI 解释明白这是一个双精度浮点数,就可以做对了。
![](https://web.popo8.com/202407/16/11/531819a509type_png_size_1080_204_end.jpg)
在有额外条件的情况下,tokenizer 这一步依然会给 11 分配更大的 token。但是在后续自注意力机制的作用下,AI 就会明白要把 9.11 连起来处理了。
![](https://web.popo8.com/202407/16/0/fa6b0a808atype_png_size_1080_193_end.jpg)
后来 Goodside 也补充,并不是说大模型无论如何都认定了这个错误结论。而是当以特定方式提问时,许多领先模型都会告诉你 9.11>9.9,这很奇怪。
![](https://web.popo8.com/202407/16/9/272c2657a2type_png_size_1080_344_end.jpg)
经过反复尝试后他发现,想让 AI 上这个当,需要把选项放在提问前面,如果调换顺序就不会出错。
但是只要选项在问题前面,改变提问的方式,如加标点、换词汇都不会有影响。
![](https://web.popo8.com/202407/16/5/6695922281type_png_size_1080_165_end.jpg)
虽然问题很简单,错误很基础。
但了解出错原理之后,许多人都把这个问题当成了检验提示词技巧的试金石,也就是:用什么提问方法能引导大模型的注意力机制正确理解问题呢?
首先,大名鼎鼎的 Zero-shot CoT 思维链,也就是“一步一步地想”,是可以做对的。
![](https://web.popo8.com/202407/16/8/1eb3f6b0f9type_png_size_1080_120_end.jpg)
不过角色扮演提示,在这里作用就有限了。
![](https://web.popo8.com/202407/16/10/1a3aaeb079type_png_size_1080_352_end.jpg)
刚好最近也有微软和 OpenAI 都参与的一项研究,分析了 1500 多份论文后发现,随着大模型技术的进步,角色扮演提示不像一开始那样有用了……
![](https://web.popo8.com/202407/16/15/aff9645d45type_png_size_1080_103_end.jpg)
具体来说,同一个问题提示“你是一个天才……”比“你是一个傻瓜……”的正确率还低。
也是让人哭笑不得了。
![](https://web.popo8.com/202407/16/4/f826abe89etype_png_size_1080_91_end.jpg)
One More Thing
与此同时,路透社的 OpenAI 秘密模型「草莓」泄漏消息更新了。
![](https://web.popo8.com/202407/16/2/73a3a716c0type_png_size_1010_218_end.jpg)
更新内容为:另一位线人报告,OpenAI 已经在内部测试了新模型,在 MATH 数据集上得分超过 90%。路透社无法确定这是否与“草莓”是同一个项目。
![](https://web.popo8.com/202407/16/15/77e0ee9a8atype_png_size_1080_844_end.jpg)
MATH 数据集包含竞赛级别的数学题,目前不用多次采样等额外方法,最高分是谷歌 Gemini 1.5 Pro 数学强化版的 80.6%。
![](https://web.popo8.com/202407/16/6/8ad2787081type_png_size_874_286_end.jpg)
但是 OpenAI 新模型在没有额外提示情况下,能不能自主解决“9.11 和 9.9 哪个大?”。
突然没信心了,还是等能试玩了再看结果吧……
Advertisements
网编:和评 |
|
29 条 | |||
|
|||||
敬请注意:新闻内容来自网络,供网友多视角阅读参考,观点不代表本网立场!若有违规侵权,请联系我们。 | |||||
【科技频道】【宠物情缘】