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，確確實實地發生了。

就在昨天，谷歌首席Jeff Dean發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規模更大的版本。

而根據前段時間外媒曝出的內部郵件，搭載Gemini Ultra的Bard Advanced已經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，已經不遠了。

隨著谷歌對Gemini Pro更新后不斷大幅上漲的表現，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的評價次數已高達30,000次。因此，這個結果后續很可能還會發生變動。

但不管怎樣，這對于谷歌來說是一項令人矚目的成就，也讓人對即將發布的、預期將超過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，CMU，UCSD等頂級高校共同參與創建的聊天機器人競技場「Chatbot Arena」，是學術圈內一個很權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的，通過「刷題」來提高成績的問題，被業界認為是一個比較客觀的大模型能力排行榜。

為了便于區分，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Sadovsky也透露，排行榜上的Bard和Gemini Pro（API）是兩個在微調層面不同的模型，而且Bard可以檢索互聯網上的信息。

在ChatBot Arena中，1月24號更新的Bard由于支持檢索互聯網，相比于之前放出的Gemini Pro（API）對于實時信息問題的回復提升巨大。

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。

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統計（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

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。

比如英雄聯盟、Dota 2以及吃雞等等，系統給玩家進行排名的就是這個機制。

舉個例子，當你在英雄聯盟里面打了很多場排位賽后，就會出現一個隱藏分。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后線性更新。

假設玩家A（評分為Ra）預計獲得Ea分，但實際獲得Sa分。更新該玩家評分的公式為：

網友熱議

對此，網友提問：現在能夠訪問的Bard就是這個排名第二的Bard了嗎？

谷歌官方回復，是的，而且現在訪問的Bard比排行榜的上的Bard還能支持更多的像地圖擴展等應用。

不過還是有網友吐槽，即使在PvP排行榜上Bard已經取得了很好的成績，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。

也有網友認為，用能聯網的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，還要數網友在排行榜中發現的「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5款新模型的第二天。

根據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調用，因此對于總結任務而言，這一結果還是具有一定參考價值的。

結果顯示，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月的模型會產生更多錯誤信息

- 2024年1月的模型在總結中添加小標題的能力略有提升

- 2024年1月的模型出現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在總結這一應用場景上有所退步。

左側：2023年11月；右側：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領域的發展過于迅猛，甚至讓人對時間的流速都產生了錯覺。

今天，英偉達高級科學家Jim Fan發推紀念了InstructGPT發布二周年。

在這里，OpenAI定義了一套標準流程：預訓練 -> 監督式微調 -> 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探索（GPT-3）到轉化為具有實際影響力的產品（ChatGPT）的關鍵轉折點，而且也是最后一篇OpenAI詳細說明他們如何訓練前沿模型的論文。

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的發明者。實際上，相關博客將讀者引向了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域中難以明確定義的任務——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

- 模型提供了三種規模：1.3B、6B、175B。與舊的、需要復雜提示設計的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研究成果。三個步驟的圖表清晰易懂，并且成為AI領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。