咨詢熱線:021-80392549

新華網(wǎng)聯(lián)合權威機構發(fā)布《國內(nèi)LLM產(chǎn)品測試報告》 百度文心一言多維度整體領先

放大字體  縮小字體 發(fā)布日期:2023-08-11     來源:新華網(wǎng)     瀏覽次數(shù):106
   人工智能技術不斷迭代引發(fā)新一輪科技革命和產(chǎn)業(yè)變革,進一步提升人們對經(jīng)濟社會更加美好的體驗。當前,全球信息科技巨頭紛紛入局,智能化應用走向了以大語言模型(簡稱:LLM即Large Language Model,大語言模型)為代表的大模型時代。

為反映當前LLM發(fā)展最新情況特點,了解LLM產(chǎn)品應用情況。近日,新華網(wǎng)與國內(nèi)權威科研機構聯(lián)合推出《國內(nèi)LLM產(chǎn)品測試報告》。選取文心一言、GPT-3.5、訊飛星火和ChatGLM等四個LLM產(chǎn)品(各測試模型基本情況如下圖),從內(nèi)容安全問答、常識問答、數(shù)學運算、閱讀理解和主觀問答等五個維度對LLM進行多維度能力測試和分析。為便于評估和展示,測試分數(shù)將分別轉換為百分制。

報告顯示,以文心一言為代表的國產(chǎn)大模型在內(nèi)容安全、閱讀理解、常識問答,數(shù)學運算等方面的表現(xiàn)普遍較好,能準確回應測試問題。尤其在內(nèi)容安全和數(shù)學運算方面,國產(chǎn)大模型的優(yōu)勢相對更加明顯。國產(chǎn)大模型中,文心一言在內(nèi)容安全方面普遍能給出積極準確的正面回應;在常識問答,閱讀理解、主觀題目和數(shù)學運算等方面表現(xiàn)均較為出色,具備更豐富的常識知識和更強大的邏輯運算能力。

圖為多維度測試結果

具體來看,在內(nèi)容安全方面,文心一言獲得了115分,在本次測試中領跑,對于內(nèi)容安全問題的敏感度也最高。而GPT-3.5和開源模型ChatGLM由于沒有做相關嚴格約束,可能回答出一些存在政治或者文化偏見的內(nèi)容。此外,所有的LLM均對涉黃類問題很敏感,都未在相關回答上誘導。

在常識問答方面,文心一言獲得了88分,GPT-3.5和訊飛星火均得到60分左右,ChatGLM僅獲得33分的成績。整體來說,大多數(shù)國內(nèi)LLM均具備基本的文化、歷史、地理和生活常識知識,能準確回答絕大多數(shù)常識問題。而對于一些相對冷門的常識問題,除文心一言外其他模型都給出了不同的錯誤答案。

在數(shù)學運算方面,文心一言獲得93分、訊飛星火和GPT-3.5分別獲得75、68分,而ChatGLM僅僅獲得11分。當題目涉及一些基礎直接的數(shù)學運算,所有的大模型基本都能算對,這說明當前的大模型都能理解基本的計算規(guī)則。但是隨著題目變得復雜,只有文心一言和訊飛星火能正確回答該問題。說明包括文心一言和訊飛星火在內(nèi)的國產(chǎn)大模型在數(shù)學邏輯能力方面會優(yōu)于其他模型。另外,文心一言在解題目時會采用直接的算數(shù)解法,而訊飛星火等模型會采用解方程操作,說明文心一言具有一定的逆向邏輯思維能力,解題方式更加簡潔直接。

在閱讀理解方面,文心一言得到95分、GPT-3.5得到67分, 訊飛星火和ChatGLM分別獲得57分和33分。雖然大模型的部分輸出結果不能完全對應正確答案,但大都角度正確且言之有理,說明現(xiàn)有LLM在中文長文本閱讀理解方面均具備較高水平。

在主觀題方面,各個模型的性能表現(xiàn)相差不多。其中,GPT-3.5取得了最好的結果,文心一言次之。具體而言,從流暢度方面來看, GPT-3.5的輸出文本最為流暢,不存在語言重復或者表述不清晰的現(xiàn)象。而文心一言存在少數(shù)表述重復的情況。從規(guī)范性角度來看,所有的模型均具備較為標準的回答格式,如包括解釋、分析、總結等基本步驟。這主要是因為大模型的數(shù)據(jù)輸入都具備固定數(shù)據(jù)模板,導致模型記住了這些特定模式。從理解力來看,GPT-3.5對主觀題的理解最為準確,極少出現(xiàn)文不對題的情況,文心一言次之。文心一言在回答該類組織創(chuàng)意問題時,更加傾向于表述活動的組織細節(jié),比如介紹時間、地點、流程、活動預算等信息。從事實性和全面性角度來看,均是GPT-3.5表現(xiàn)最好,說明了其蘊含的語義知識相對更加豐富。但在測評中國的一些風俗習慣或者傳統(tǒng)文化相關的知識時,它的性能遜色于國產(chǎn)語言模型。

此外,在所有被測LLM產(chǎn)品,目前僅文心一言可公開使用由文生圖的多模態(tài)功能,但目前對一些易混淆的成語理解還有所欠缺。

LLM已經(jīng)成為人工智能技術應用場景發(fā)展的新階段。隨著人工智能技術的不斷演進,必將引發(fā)一場經(jīng)濟社會應用的人工替代化新思考。一方面,LLM的應用場景將進一步多元化。隨著技術的演進,LLM將不再局限于文本、音頻和視覺等基本形態(tài),還將具備嗅覺、觸覺、味覺、情感等多重信息感知和認知能力,以數(shù)字化形式傳輸并指導人工智能進行內(nèi)容創(chuàng)作。另一方面,大模型重新定義了人機交互,催生AI原生應用,服務千行百業(yè)。大模型會深度融合到實體經(jīng)濟當中去,助力中國數(shù)字經(jīng)濟開創(chuàng)新一代人工智能發(fā)展階段。

未來LLM競爭關鍵是算法是否更為接近和超越人類的思維方式。目前LLM在邏輯推理的計算能力,靈活能力以及快速自學習能力決定領先的優(yōu)勢。在邏輯推理中更能理解人類情感和接近超越人類思維方式,使得模型更加智能,也是很多頭部LLM廠商的共同研發(fā)升級的追求。

附件為國內(nèi)LLM產(chǎn)品測試報告(點擊可下載)

工博士工業(yè)品商城聲明:凡資訊來源注明為其他媒體來源的信息,均為轉載自其他媒體,并不代表本網(wǎng)站贊同其觀點,也不代表本網(wǎng)站對其真實性負責。您若對該文章內(nèi)容有任何疑問或質(zhì)疑,請立即與商城(m.podvhdv.cn)聯(lián)系,本網(wǎng)站將迅速給您回應并做處理。
聯(lián)系電話:021-31666777
新聞、技術文章投稿QQ:3267146135  投稿郵箱:syy@gongboshi.com