大模型集体失智!9.11和9.9哪个大,几乎全翻车了

  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。

  谷歌 Gemini Advanced 付费版,同样的口径。

  新王Claude 3.5 Sonnet,还一本正经的给出离谱的计算方法。

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?

  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。

  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

  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……

  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。

  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。

  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。

  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”。

  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。

  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。

  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。

  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。

  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。

  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。

  本来都已经做对了,但突然话锋一转又导向了错误结论。

  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。

  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。

  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。

  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。

  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。

  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。

  不过角色扮演提示,在这里作用就有限了。

  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……

  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。

  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。

  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。

  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%。

  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……