新智元报道

编辑：润 好困

【新智元导读】谷歌Bard又行了？在第三方LLM「排位赛」排行榜上，Bard击败GPT-4成为第二名。Jeff Dean兴奋宣布：谷歌回来了！

一夜之间，Bard逆袭GPT-4，性能直逼最强GPT-4 Turbo！

这个听起来似乎像梦里的事情，确确实实地发生了。

就在昨天，谷歌首席Jeff Dean发推提前透露了谷歌的最新版模型——Gemini Pro-scale。

基于此，Bard相较于3月份的首次亮相，不仅在表现上有了显著的提升，而且还具备了更多的能力。

可以看到，在最新的Gemini Pro-scale加持下，Bard直接蹿升到了排行榜第二名的位置。

一口气把之前的两款GPT-4模型斩于马下，甚至和排名第一的GPT-4 Turbo的差距也非常小。

虽然Jeff Dean并没有具体阐述「scale」的含义，但从名称上推测，很可能是一个比初代Gemini Pro规模更大的版本。

而根据前段时间外媒曝出的内部邮件，搭载Gemini Ultra的Bard Advanced已经全面开放给谷歌员工试用。

也就是说，距离谷歌最强模型的上线，已经不远了。

随着谷歌对Gemini Pro更新后不断大幅上涨的表现，也让所有人对完全体Gemini Ultra的能力有了更多的期待。

不过，新推出的Bard目前只接受了约3,000次评价，而GPT-4的评价次数已高达30,000次。因此，这个结果后续很可能还会发生变动。

但不管怎样，这对于谷歌来说是一项令人瞩目的成就，也让人对即将发布的、预期将超过Gemini Pro-Scale性能的最强AI模型Gemini Ultra充满期待。

谷歌Bard超越GPT-4跃居第二

简单介绍一下，这个由UC伯克利主导，CMU，UCSD等顶级高校共同参与创建的聊天机器人竞技场「Chatbot Arena」，是学术圈内一个很权威的大模型对话能力排行榜。

榜单通过类似Moba游戏中的「排位赛」机制，让各家大模型通过PvP的方式来排出性能高低。

期间，用户会与模型（不知道具体型号）进行互动，并选择他们更喜欢的回答。而这些投票将会决定模型在排行榜上的名次。

这种方式能够有效地避免很多PvE基准测试中可能出现的，通过「刷题」来提高成绩的问题，被业界认为是一个比较客观的大模型能力排行榜。

为了便于区分，LMSYS Org指出，目前Gemini Pro市面上总共有3个版本：

- Gemini Pro API：用户可以通过谷歌云的Vertex AI API进行访问

- Gemini Pro（dev）API：开发者API可以通过谷歌 AI Studio进行访问

- Bard（1月4日更新的Gemini Pro）：是目前唯一可以访问到1月24日更新的Gemini Pro的方式

同时，谷歌Bard项目的高级总监Sadovsky也透露，排行榜上的Bard和Gemini Pro（API）是两个在微调层面不同的模型，而且Bard可以检索互联网上的信息。

在ChatBot Arena中，1月24号更新的Bard由于支持检索互联网，相比于之前放出的Gemini Pro（API）对于实时信息问题的回复提升巨大。

从谷歌的这波更新可以看出，Gemini Pro的潜力似乎远远没有被完全释放，希望谷歌能再接再厉，对OpenAI一家独大的格局形成挑战。

以下是1月14号更新的Bard在ChatBot Arena中的成绩的明细：

模型A相对于模型B在所有非平局对决中获胜的比例

不同模型组合间对决的次数统计（排除平局情况）

通过1000轮随机抽样对Elo评分进行的自举法（Bootstrap）估计

在假设等概率抽样和不存在平局的情况下，相对于所有其他模型的平均胜率

Elo评分系统

Elo等级分制度（Elo rating system）是一种计算玩家相对技能水平的方法，广泛应用在竞技游戏和各类运动当中。其中，Elo评分越高，那么就说明这个玩家越厉害。

比如英雄联盟、Dota 2以及吃鸡等等，系统给玩家进行排名的就是这个机制。

举个例子，当你在英雄联盟里面打了很多场排位赛后，就会出现一个隐藏分。这个隐藏分不仅决定了你的段位，也决定了你打排位时碰到的对手基本也是类似水平的。

而且，这个Elo评分的数值是绝对的。也就是说，当未来加入新的聊天机器人时，我们依然可以直接通过Elo的评分来判断哪个聊天机器人更厉害。

具体来说，如果玩家A的评分为Ra，玩家B的评分为Rb，玩家A获胜概率的精确公式（使用以10为底的logistic曲线）为：

然后，玩家的评分会在每场对战后线性更新。

假设玩家A（评分为Ra）预计获得Ea分，但实际获得Sa分。更新该玩家评分的公式为：

网友热议

对此，网友提问：现在能够访问的Bard就是这个排名第二的Bard了吗？

谷歌官方回复，是的，而且现在访问的Bard比排行榜的上的Bard还能支持更多的像地图扩展等应用。

不过还是有网友吐槽，即使在PvP排行榜上Bard已经取得了很好的成绩，但是对于理解用户需求和解决实际问题的能力，Bard和GPT-4依然还有很大差距。

也有网友认为，用能联网的Bard和离线的GPT-4打有失公平。甚至，就这样还没打过……

而最有意思的，还要数网友在排行榜中发现的「华点」了：号称是GPT-4最大竞品的Claude居然越更新越弱了。

对此，之前有分析认为，Anthropic一直在大力发展的与人类对齐，会严重影响模型的性能。

GPT-4 Turbo超长上下文A/B测试

有趣的是，这个连Jeff Dean都亲自下场的「刷榜」，正巧就在OpenAI连发5款新模型的第二天。

根据OpenAI的介绍，新版GPT-4 Turbo——gpt-4-0125-preview，不仅大幅改善了模型「偷懒」的情况，而且还极大地提升了代码生成的能力。

不过，正如大家对Bard的怀疑，GPT-4这次到底有没有变强也有待验证。

对此，AI公司Smol的创始人Shawn Wang，就在超过100k单词的超长上下文中，对比测试了新旧GPT4-Turbo的总结能力。

Wang表示，两次测试使用的是完全相同提示词，以及基本相同的语料库。

虽然没有严格严格，但每个模型都进行了超过300次的API调用，因此对于总结任务而言，这一结果还是具有一定参考价值的。

结果显示， 2024年1月的GPT4-Turbo花费了19分钟来生成20,265个单词，相比之下，2023年11月的用16分钟生成了18,884个单词。

也就是说，新模型的生成速度大约慢了 18%，且生成文本的长度平均偏长约7%。

质量方面：

- 2024年1月的模型在主题选择上略有改善，但仍存在问题

- 2023年11月的模型会产生更多错误信息

- 2024年1月的模型在总结中添加小标题的能力略有提升

- 2024年1月的模型出现了一次严重的格式错误，而这在之前是极为罕见的

- 2023年11月的模型文本详情更加丰富

总体而言，新版GPT4-Turbo在总结这一应用场景上有所退步。

左侧：2023年11月；右侧：2024年1月（左右滑动查看全部）

OpenAI最后的「开源遗作」两周年

不得不说，AI领域的发展过于迅猛，甚至让人对时间的流速都产生了错觉。

今天，英伟达高级科学家Jim Fan发推纪念了InstructGPT发布二周年。

在这里，OpenAI定义了一套标准流程：预训练 -> 监督式微调 -> RLHF。直到今天，这依然是大家遵循的基本策略（尽管有些许变化，比如DPO）。

它不仅仅是大语言模型从学术探索（GPT-3）到转化为具有实际影响力的产品（ChatGPT）的关键转折点，而且也是最后一篇OpenAI详细说明他们如何训练前沿模型的论文。

论文地址：https://arxiv.org/abs/2203.02155

- InstructGPT在2022年的NeurIPS会议上首次亮相，但它并不是RLHF的发明者。实际上，相关博客将读者引向了OpenAI团队在2017年完成的原始RLHF研究。

这项研究最初的目的是解决模拟机器人领域中难以明确定义的任务——通过一名人类标注者提供的900个二选一偏好，RLHF让一个简单的「跳跃」机器人在模拟环境中学会了后空翻。

论文地址：https://arxiv.org/abs/1706.03741v4

- 模型提供了三种规模：1.3B、6B、175B。与旧的、需要复杂提示设计的GPT-3-175B相比，标注者明显更喜欢Instruct-1.3B。微软最知名的「小模型」Phi-1也是1.3B。

- InstructGPT展示了如何精彩地呈现研究成果。三个步骤的图表清晰易懂，并且成为AI领域最标志性的图像之一。引言部分直接了当，用粗体突出了8个核心观点。对局限性和偏见的讨论实事求是、坦诚直接。

参考资料：

https://twitter.com/JeffDean/status/1750930658900517157

https://twitter.com/asadovsky/status/1750983142041911412?s=20

https://twitter.com/DrJimFan/status/1751285761364906476