大模型天花板GPT-4,它是不是……变笨了?

先是少数用户提出质疑,随后大量网友表示自己也注意到了,还贴出不少证据。



有人反馈,把GPT-4的3小时25条对话额度一口气用完了,都没解决自己的代码问题。

无奈切换到GPT-3.5,反倒解决了。



总结下大家的反馈,最主要的几种表现有:

以前GPT-4能写对的代码,现在满是Bug回答问题的深度和分析变少了响应速度比以前快了

这就引起不少人怀疑,OpenAI是不是为了节省成本,开始偷工减料?

两个月前GPT-4是世界上最伟大的写作助手,几周前它开始变得平庸。我怀疑他们削减了算力或者把它变得没那么智能。



这就不免让人想起微软新必应“出道即巅峰”,后来惨遭“前额叶切除手术”能力变差的事情……

网友们相互交流自己的遭遇后,“几周之前开始变差”,成了大家的共识。

一场舆论风暴同时在Hacker News、Reddit和Twitter等技术社区形成。



这下官方也坐不住了。

OpenAI开发者推广大使Logan Kilpatrick,出面回复了一位网友的质疑:

API 不会在没有我们通知您的情况下更改。那里的模型处于静止状态。



不放心的网友继续追问确认“就是说GPT-4自从3月14日发布以来都是静态的对吧?”,也得到了Logan的肯定回答。



“我注意到对于某些提示词表现不一致,只是由于大模型本身的不稳定性吗?”,也得到了“Yes”的回复。



但是截至目前,针对网页版GPT-4是否被降级过的两条追问都没有得到回答,并且Logan在这段时间有发布别的内容。



那么事情究竟如何,不如自己上手测试一波。

对于网友普遍提到GPT-4写代码水平变差,我们做了个简单实验。

实测GPT-4“炼丹”本领下降了吗?

3月底,我们曾实验过让GPT-4“炼丹”,用Python写一个多层感知机来实现异或门。



△ShareGPT截图,界面稍有不同

让GPT-4改用numpy不用框架后,第一次给出的结果不对。

在修改两次代码后,运行得到了正确结果。第一次修改隐藏神经元数量,第二次把激活函数从sigmoid修改成tanh。



6月2日,我们再次尝试让GPT-4完成这个任务,但换成了中文提示词。

这回GPT-4第一次就没有使用框架,但给的代码仍然不对。

后续只修改一次就得到正确结果,而且换成了力大砖飞的思路,直接增加训练epoch数和学习率。





回答的文字部分质量也未观察到明显下降,但响应速度感觉确实有变快。

由于时间有限,我们只进行了这一个实验,且由于AI本身的随机性,也并不能否定网友的观察。

最早4月19日就有人反馈

我们在OpenAI官方Discord频道中搜索,发现从4月下旬开始,就不时有零星用户反馈GPT-4变差了。



但这些反馈并未引发大范围讨论,也没有得到官方正式回应。

5月31日,Hacker News和Twitter同天开始大量有网友讨论这个问题,成为整个事件的关键节点。

HackerNews一位网友指出,在GPT-4的头像还是黑色的时候更强,现在紫色头像版在修改代码时会丢掉几行。



在Twitter上较早提出这个问题的,是HyperWrite(一款基于GPT API开发的写作工具)的CEO,Matt Shumer。



但这条推文却引发了许多网友的共鸣,OpenAI员工回复的推文也正是针对这条。

不过这些回应并没让大家满意,反而讨论的范围越来越大。

比如Reddit上一篇帖子提到,原来能回答代码问题的GPT-4,现在连哪些是代码哪些是问题都分不出来了。



在其他网友的追问下,帖子作者对问题出现的过程进行了概述,还附上了和GPT的聊天记录。



对于OpenAI声称模型从三月就没有改动过,公开层面确实没有相关记录。

ChatGPT的更新日志中,分别在1月9日、1月30日、2月13日提到了对模型本身的更新,涉及改进事实准确性和数学能力等。

但自从3月14日GPT-4发布之后就没提到模型更新了,只有网页APP功能调整和添加联网模式、插件模式、苹果APP等方面的变化。



假设真如OpenAI所说,GPT-4模型本身的能力没有变化,那么这么多人都感觉它表现变差是怎么回事呢?

很多人也给出了自己的猜想。

第一种可能的原因是心理作用。

Keras创始人François Chollet就表示,不是GPT的表现变差,而是大家渡过了最初的惊喜期,对它的期待变高了。



Hacker News上也有网友持相同观点,并补充到人们的关注点发生了改变,对GPT失误的敏感度更高了。



抛开人们心理感受的差异,也有人怀疑API版本和网页版本不一定一致,但没什么实据。

还有一种猜测是在启用插件的情况下,插件的额外提示词对要解决的问题来说可能算一种污染。



△WebPilot插件中的额外提示词

这位网友就表示,在他看来GPT表现变差正是从插件功能开始公测之后开始的。



也有人向OpenAI员工询问是否模型本身没变,但推理参数是否有变化?



量子位也曾偶然“拷问”出ChatGPT在iOS上的系统提示词与网页版并不一致。

如果在手机端开启一个对话,它会知道自己在通过手机与你交互。会把回答控制在一到两句话,除非需要长的推理。不会使用表情包,除非你明确要求他使用。



△不一定成功,大概率拒绝回答

那么如果在网页版继续一个在iOS版开启的对话而没意识到,就可能观察到GPT-4回答变简单了。

总之,GPT-4自发布以来到底有没有变笨,目前还是个未解之谜。

但有一点可以确定:

3月14日起大家上手玩到的GPT-4,从一开始就不如论文里的。

与人类对齐让AI能力下降

微软研究院发表的150多页刷屏论文《AGI的火花:GPT-4早期实验》中明确:

他们早在GPT-4开发未完成时就得到了测试资格,并进行了长期测试。

后来针对论文中很多惊艳例子,网友都不能成功用公开版GPT-4复现。

目前学术界有个观点是,后来的RLHF训练虽然让GPT-4更与人类对齐——也就更听从人类指示和符合人类价值观——但也让它自身的推理等能力变差。

论文作者之一、微软科学家张弋在中文播客节目《What’s Next|科技早知道》S7E11期中也提到:

那个版本的模型,比现在外面大家都可以拿得到的GPT-4还要更强,强非常非常多。

举例来说,微软团队在论文中提到,他们每隔相同一段时间就让GPT-4使用LaTeX中的TikZ画一个独角兽来追踪GPT-4能力的变化。

论文中展示的最后一个结果,画得已经相当完善。



但论文一作Sebastien Bubeck后续在MIT发表演讲时透露了更多信息。

后来当OpenAI开始关注安全问题的时候,后续版本在这个任务中变得越来越糟糕了。



与人类对齐但并不降低AI自身能力上限的训练方法,也成了现在很多团队的研究方向,但还在起步阶段。

除了专业研究团队之外,关心AI的网友们也在用自己的办法追踪着AI能力的变化。

有人每天让GPT-4画一次独角兽,并在网站上公开记录。



从4月12日开始,直到现在也还没看出来个独角兽的大致形态。



当然网站作者表示,自己让GPT-4使用SVG格式画图,与论文中的TikZ格式不一样也有影响。

并且4月画的与现在画的似乎只是一样差,也没看出来明显退步。