谷歌再雪前恥，新Bard逆襲GPT-4沖上LLM排行榜第二！Jeff Dean高呼我們回來了
一夜之間，Bard逆襲GPT-4，性能直逼最強GPT-4 Turbo！
這個聽起來似乎像夢里的事情，確確實實地發(fā)生了。
就在昨天，谷歌首席Jeff Dean發(fā)推提前透露了谷歌的最新版模型——Gemini Pro-scale。
基于此，Bard相較于3月份的首次亮相，不僅在表現(xiàn)上有了顯著的提升，而且還具備了更多的能力。
可以看到，在最新的Gemini Pro-scale加持下，Bard直接躥升到了排行榜第二名的位置。
一口氣把之前的兩款GPT-4模型斬于馬下，甚至和排名第一的GPT-4 Turbo的差距也非常小。
雖然Jeff Dean并沒有具體闡述「scale」的含義，但從名稱上推測，很可能是一個比初代Gemini Pro規(guī)模更大的版本。
而根據(jù)前段時間外媒曝出的內(nèi)部郵件，搭載Gemini Ultra的Bard Advanced已經(jīng)全面開放給谷歌員工試用。
也就是說，距離谷歌最強模型的上線，已經(jīng)不遠了。
隨著谷歌對Gemini Pro更新后不斷大幅上漲的表現(xiàn)，也讓所有人對完全體Gemini Ultra的能力有了更多的期待。
不過，新推出的Bard目前只接受了約3,000次評價，而GPT-4的評價次數(shù)已高達30,000次。因此，這個結(jié)果后續(xù)很可能還會發(fā)生變動。
但不管怎樣，這對于谷歌來說是一項令人矚目的成就，也讓人對即將發(fā)布的、預(yù)期將超過Gemini Pro-Scale性能的最強AI模型Gemini Ultra充滿期待。
谷歌Bard超越GPT-4躍居第二
簡單介紹一下，這個由UC伯克利主導(dǎo)，CMU，UCSD等頂級高校共同參與創(chuàng)建的聊天機器人競技場「Chatbot Arena」，是學術(shù)圈內(nèi)一個很權(quán)威的大模型對話能力排行榜。
榜單通過類似Moba游戲中的「排位賽」機制，讓各家大模型通過PvP的方式來排出性能高低。
期間，用戶會與模型（不知道具體型號）進行互動，并選擇他們更喜歡的回答。而這些投票將會決定模型在排行榜上的名次。
這種方式能夠有效地避免很多PvE基準測試中可能出現(xiàn)的，通過「刷題」來提高成績的問題，被業(yè)界認為是一個比較客觀的大模型能力排行榜。
為了便于區(qū)分，LMSYS Org指出，目前Gemini Pro市面上總共有3個版本：
- Gemini Pro API：用戶可以通過谷歌云的Vertex AI API進行訪問
- Gemini Pro（dev）API：開發(fā)者API可以通過谷歌 AI Studio進行訪問
- Bard（1月4日更新的Gemini Pro）：是目前唯一可以訪問到1月24日更新的Gemini Pro的方式
同時，谷歌Bard項目的高級總監(jiān)Sadovsky也透露，排行榜上的Bard和Gemini Pro（API）是兩個在微調(diào)層面不同的模型，而且Bard可以檢索互聯(lián)網(wǎng)上的信息。
在ChatBot Arena中，1月24號更新的Bard由于支持檢索互聯(lián)網(wǎng)，相比于之前放出的Gemini Pro（API）對于實時信息問題的回復(fù)提升巨大。
從谷歌的這波更新可以看出，Gemini Pro的潛力似乎遠遠沒有被完全釋放，希望谷歌能再接再厲，對OpenAI一家獨大的格局形成挑戰(zhàn)。
以下是1月14號更新的Bard在ChatBot Arena中的成績的明細：
模型A相對于模型B在所有非平局對決中獲勝的比例
不同模型組合間對決的次數(shù)統(tǒng)計（排除平局情況）
通過1000輪隨機抽樣對Elo評分進行的自舉法（Bootstrap）估計
在假設(shè)等概率抽樣和不存在平局的情況下，相對于所有其他模型的平均勝率
Elo評分系統(tǒng)
Elo等級分制度（Elo rating system）是一種計算玩家相對技能水平的方法，廣泛應(yīng)用在競技游戲和各類運動當中。其中，Elo評分越高，那么就說明這個玩家越厲害。
比如英雄聯(lián)盟、Dota 2以及吃雞等等，系統(tǒng)給玩家進行排名的就是這個機制。
舉個例子，當你在英雄聯(lián)盟里面打了很多場排位賽后，就會出現(xiàn)一個隱藏分。這個隱藏分不僅決定了你的段位，也決定了你打排位時碰到的對手基本也是類似水平的。
而且，這個Elo評分的數(shù)值是絕對的。也就是說，當未來加入新的聊天機器人時，我們依然可以直接通過Elo的評分來判斷哪個聊天機器人更厲害。
具體來說，如果玩家A的評分為Ra，玩家B的評分為Rb，玩家A獲勝概率的精確公式（使用以10為底的logistic曲線）為：
然后，玩家的評分會在每場對戰(zhàn)后線性更新。
假設(shè)玩家A（評分為Ra）預(yù)計獲得Ea分，但實際獲得Sa分。更新該玩家評分的公式為：
網(wǎng)友熱議
對此，網(wǎng)友提問：現(xiàn)在能夠訪問的Bard就是這個排名第二的Bard了嗎？
谷歌官方回復(fù)，是的，而且現(xiàn)在訪問的Bard比排行榜的上的Bard還能支持更多的像地圖擴展等應(yīng)用。
不過還是有網(wǎng)友吐槽，即使在PvP排行榜上Bard已經(jīng)取得了很好的成績，但是對于理解用戶需求和解決實際問題的能力，Bard和GPT-4依然還有很大差距。
也有網(wǎng)友認為，用能聯(lián)網(wǎng)的Bard和離線的GPT-4打有失公平。甚至，就這樣還沒打過……
而最有意思的，還要數(shù)網(wǎng)友在排行榜中發(fā)現(xiàn)的「華點」了：號稱是GPT-4最大競品的Claude居然越更新越弱了。
對此，之前有分析認為，Anthropic一直在大力發(fā)展的與人類對齊，會嚴重影響模型的性能。
GPT-4 Turbo超長上下文A/B測試
有趣的是，這個連Jeff Dean都親自下場的「刷榜」，正巧就在OpenAI連發(fā)5款新模型的第二天。
根據(jù)OpenAI的介紹，新版GPT-4 Turbo——gpt-4-0125-preview，不僅大幅改善了模型「偷懶」的情況，而且還極大地提升了代碼生成的能力。
不過，正如大家對Bard的懷疑，GPT-4這次到底有沒有變強也有待驗證。
對此，AI公司Smol的創(chuàng)始人Shawn Wang，就在超過100k單詞的超長上下文中，對比測試了新舊GPT4-Turbo的總結(jié)能力。
Wang表示，兩次測試使用的是完全相同提示詞，以及基本相同的語料庫。
雖然沒有嚴格嚴格，但每個模型都進行了超過300次的API調(diào)用，因此對于總結(jié)任務(wù)而言，這一結(jié)果還是具有一定參考價值的。
結(jié)果顯示，2024年1月的GPT4-Turbo花費了19分鐘來生成20,265個單詞，相比之下，2023年11月的用16分鐘生成了18,884個單詞。
也就是說，新模型的生成速度大約慢了 18%，且生成文本的長度平均偏長約7%。
質(zhì)量方面：
- 2024年1月的模型在主題選擇上略有改善，但仍存在問題
- 2023年11月的模型會產(chǎn)生更多錯誤信息
- 2024年1月的模型在總結(jié)中添加小標題的能力略有提升
- 2024年1月的模型出現(xiàn)了一次嚴重的格式錯誤，而這在之前是極為罕見的
- 2023年11月的模型文本詳情更加豐富
總體而言，新版GPT4-Turbo在總結(jié)這一應(yīng)用場景上有所退步。
左側(cè)：2023年11月；右側(cè)：2024年1月（左右滑動查看全部）
OpenAI最后的「開源遺作」兩周年
不得不說，AI領(lǐng)域的發(fā)展過于迅猛，甚至讓人對時間的流速都產(chǎn)生了錯覺。
今天，英偉達高級科學家Jim Fan發(fā)推紀念了InstructGPT發(fā)布二周年。
在這里，OpenAI定義了一套標準流程：預(yù)訓練 -> 監(jiān)督式微調(diào) -> RLHF。直到今天，這依然是大家遵循的基本策略（盡管有些許變化，比如DPO）。
它不僅僅是大語言模型從學術(shù)探索（GPT-3）到轉(zhuǎn)化為具有實際影響力的產(chǎn)品（ChatGPT）的關(guān)鍵轉(zhuǎn)折點，而且也是最后一篇OpenAI詳細說明他們?nèi)绾斡柧毲把啬Ｐ偷恼撐摹?/span>
論文地址：https://arxiv.org/abs/2203.02155
- InstructGPT在2022年的NeurIPS會議上首次亮相，但它并不是RLHF的發(fā)明者。實際上，相關(guān)博客將讀者引向了OpenAI團隊在2017年完成的原始RLHF研究。
這項研究最初的目的是解決模擬機器人領(lǐng)域中難以明確定義的任務(wù)——通過一名人類標注者提供的900個二選一偏好，RLHF讓一個簡單的「跳躍」機器人在模擬環(huán)境中學會了后空翻。
論文地址：https://arxiv.org/abs/1706.03741v4
- 模型提供了三種規(guī)模：1.3B、6B、175B。與舊的、需要復(fù)雜提示設(shè)計的GPT-3-175B相比，標注者明顯更喜歡Instruct-1.3B。微軟最知名的「小模型」Phi-1也是1.3B。
- InstructGPT展示了如何精彩地呈現(xiàn)研究成果。三個步驟的圖表清晰易懂，并且成為AI領(lǐng)域最標志性的圖像之一。引言部分直接了當，用粗體突出了8個核心觀點。對局限性和偏見的討論實事求是、坦誠直接。
