一句話(huà)解鎖100k+上下文大模型真實(shí)力，27分漲到98，GPT-4、Claude2.1適用
各家大模型紛紛卷起上下文窗口，Llama-1時(shí)標(biāo)配還是2k，現(xiàn)在不超過(guò)100k的已經(jīng)不好意思出門(mén)了。
然鵝一項(xiàng)極限測(cè)試卻發(fā)現(xiàn)，大部分人用法都不對(duì)，沒(méi)發(fā)揮出AI應(yīng)有的實(shí)力。
AI真的能從幾十萬(wàn)字中準(zhǔn)確找到關(guān)鍵事實(shí)嗎？顏色越紅代表AI犯的錯(cuò)越多。
默認(rèn)情況下，GPT-4-128k和最新發(fā)布的Claude2.1-200k成績(jī)都不太理想。
但Claude團(tuán)隊(duì)了解情況后，給出超簡(jiǎn)單解決辦法，增加一句話(huà)，直接把成績(jī)從27%提升到98%。
只不過(guò)這句話(huà)不是加在用戶(hù)提問(wèn)上的，而是讓AI在回復(fù)的開(kāi)頭先說(shuō)：
“Here is the most relevant sentence in the context:”
（這就是上下文中最相關(guān)的句子：）
讓大模型大海撈針
為了做這項(xiàng)測(cè)試，作者Greg Kamradt自掏腰包花費(fèi)了至少150美元。
好在測(cè)試Claude2.1時(shí)，Anthropic伸出援手給他提供了免費(fèi)額度，不然還得多花1016美元。
其實(shí)測(cè)試方法也不復(fù)雜，都是選用YC創(chuàng)始人Paul Graham的218篇博客文章當(dāng)做測(cè)試數(shù)據(jù)。
在文檔中的不同位置添加特定語(yǔ)句：在舊金山最好的事情，就是在陽(yáng)光明媚的日子坐在多洛雷斯公園吃一個(gè)三明治。
請(qǐng)GPT-4和Claude2.1僅僅使用所提供的上下文來(lái)回答問(wèn)題，在不同上下文長(zhǎng)度和添加在不同位置的文檔中反復(fù)測(cè)試。
最后使用Langchain Evals庫(kù)來(lái)評(píng)估結(jié)果。
作者把這套測(cè)試命名為“干草堆里找針/大海撈針”，并把代碼開(kāi)源在GitHub上，已獲得200+星，并透露已經(jīng)有公司贊助了對(duì)下一個(gè)大模型的測(cè)試。
AI公司自己找到解決辦法
幾周后，Claude背后公司Anthropic仔細(xì)分析后卻發(fā)現(xiàn)，AI只是不愿意回答基于文檔中單個(gè)句子的問(wèn)題，特別是這個(gè)句子是后來(lái)插入的，和整篇文章關(guān)系不大的時(shí)候。
也就是說(shuō)，AI判斷這句話(huà)和文章主題無(wú)關(guān)，就偷懶不去一句一句找了。
這時(shí)就需要用點(diǎn)手段晃過(guò)AI，要求Claude在回答開(kāi)頭添加那句“Here is the most relevant sentence in the context:”就能解決。
使用這個(gè)辦法，在尋找不是后來(lái)人為添加、本來(lái)就在原文章中的句子時(shí)，也能提高Claude的表現(xiàn)。
Anthropic公司表示將來(lái)會(huì)不斷的繼續(xù)訓(xùn)練Claude，讓它能更適應(yīng)此類(lèi)任務(wù)。
在API調(diào)用時(shí)要求AI以指定開(kāi)頭回答，還有別的妙用。
創(chuàng)業(yè)者M(jìn)att Shumer看過(guò)這個(gè)方案后補(bǔ)充了幾個(gè)小技巧：
如果想讓AI輸出純JSON格式，提示詞的最后以“{”結(jié)尾。同理，如果想讓AI列出羅馬數(shù)字，提示詞以“I:”結(jié)尾就行。
不過(guò)事情還沒(méi)完……
國(guó)內(nèi)大模型公司也注意到了這項(xiàng)測(cè)試，開(kāi)始嘗試自家大模型能不能通過(guò)。
同樣擁有超長(zhǎng)上下文的月之暗面Kimi大模型團(tuán)隊(duì)也測(cè)出了問(wèn)題，但給出了不同的解決方案，也取得了很好的成績(jī)。
這樣一來(lái)，修改用戶(hù)提問(wèn)Prompt，又比要求AI在自己的回答添加一句更容易做到，特別是在不是調(diào)用API，而是直接使用聊天機(jī)器人產(chǎn)品的情況下。
月之暗面還用自己的新方法幫GPT-4和Claude2.1測(cè)試了一下，結(jié)果GPT-4改善明顯，Claude2.1只是稍微改善。
看來(lái)這個(gè)實(shí)驗(yàn)本身有一定局限性，Claude也是有自己的特殊性，可能與他們自己的對(duì)齊方式Constituional AI有關(guān)，需要用Anthropic自己提供的辦法更好。
后來(lái)，月之暗面的工程師還搞了更多輪實(shí)驗(yàn)，其中一個(gè)居然是……
壞了，我成測(cè)試數(shù)據(jù)了。
