Google DeepMind的最新版本 Gemini Exp 1114，在Chatbot Arena上取得了重要成就，憑借超過6000個社區(qū)投票，躍升至總榜第1，并在多個領(lǐng)域表現(xiàn)出色：

• 總排名：#3 -> #1
• 數(shù)學(xué)：#3 -> #1
• 難題解答：#4 -> #1
• 創(chuàng)意寫作：#2 -> #1
• 視覺識別：#2 -> #1
• 編程：#5 -> #3

首先，我們要理解LLM Arena是什么。LLM Arena（或稱聊天機器人競技場）是一個評估LLM的平臺，主要目標(biāo)是促進社區(qū)驅(qū)動的LLM性能評估。它是最有聲望的評估平臺之一。

從總榜來看，谷歌新模型Gemini（Exp 1114）分數(shù)直漲40+，得分為1344，而 ChatGPT 4.0最新版本的得分是1340。谷歌旗下的模型這好像還是第一次有這樣的成績。

Gemini-Exp-1114 在數(shù)學(xué)競技場中并列第一，性能匹敵 o1：

要知道，以前o1剛發(fā)布的時候，很驚艷的一點就是它可以在博士級別的科學(xué)問答環(huán)節(jié)上超越人類專家，還可以拿下奧數(shù)金牌。

網(wǎng)友：這會兒滿血版的o1是真得出來了。。。

從總體勝率熱圖上來看，Gemini 對 4o-latest 的勝率為 50%，對 o1-preview 的勝率為 56%，對 Claude-3.5-Sonnet 的勝率為 62%。

除了總體排名，Gemini Exp 1114 在細分任務(wù)上獲得6項第一：

可惜代碼能力遜色了一點，從圖中我們可以看到與 o1-mini/preview 還是有一定差距的。

目前，Gemini-Exp-1114 可以在谷歌AI Studio 對話體驗

官方計劃后續(xù)提供API，這個模型后續(xù)如果像Flash那樣限速免費使用的話，我們還是可以和Cline、Continue這些編碼助手配合使用的。

一些實踐：

在一位博主的測試中，Gemini Exp 1114通過了所有的問題：

感覺還不錯。

另一位網(wǎng)友：Gemini-exp-1114 的回答令人驚訝，早期的Flash模型通常會卡在 cat-age 問題上，而Gemini-exp-1114答對了這個問題：

不過 Gemini-exp-1114在被問到是誰創(chuàng)造和自己是誰時，竟然回答Anthropic 和 Claude。網(wǎng)友戲稱，最讓人感到直觀的解釋就是使用Claude生成的數(shù)據(jù)訓(xùn)練的。

然后我問了一下他一些視覺問題，相同的問題曾經(jīng)寫在這篇文章中你可以與之比較：

??https://mp.weixin.qq.com/s/QuoiSxbik5tQXcQOHmrSXw??

圖中有多少水果，哪一種最小，哪一種酸性最強，它們在貨架上的哪一排，哪一列？

圖片

圖片中心的石頭被堆疊了幾塊？有沒有不是圖片場景的東西？

你能理解這個梗圖的梗點在哪里嗎?

最后這個模型，在視覺計數(shù)上似乎不太完美，圖1、圖2分別應(yīng)該是30條船和10條船：

本文轉(zhuǎn)載自 ??AI進修生??，作者： Aitrainee