最新研究：AI模型在回答事實(shí)問題時表現(xiàn)拉胯， GPT-4o準(zhǔn)確率才38.2%

　　最近，一項(xiàng)由 OpenAI 進(jìn)行的研究顯示，盡管人工智能技術(shù)飛速發(fā)展，當(dāng)前最先進(jìn)的語言模型在回答事實(shí)問題時的成功率卻遠(yuǎn)低于預(yù)期。

　　研究采用了 OpenAI 自家的 SimpleQA 基準(zhǔn)測試，這個測試包含了4，326個，涵蓋了科學(xué)、政治和藝術(shù)等多個領(lǐng)域，每個問題都有一個明確的正確答案。

　　經(jīng)過兩名獨(dú)立評審員的驗(yàn)證，結(jié)果顯示，OpenAI 最好的模型 o1-preview 的準(zhǔn)確率僅為42.7%，而 GPT-4o 則略低，只有38.2%。至于更小的 GPT-4o-mini，準(zhǔn)確率甚至只有8.6%。相比之下，Anthropic 的 Claude 模型表現(xiàn)得更差，Claude-3.5-sonnet 的正確率僅為28.9%。

　　這項(xiàng)研究的關(guān)鍵在于測試的設(shè)計(jì)，不僅僅是為了測試 AI 的表現(xiàn)，還為了讓大家認(rèn)識到 AI 模型在知識獲取方面的局限性。研究者強(qiáng)調(diào)，用戶在使用這些模型時，應(yīng)該將其視為信息處理工具，而不是完全依賴的知識來源。為了獲得更準(zhǔn)確的回答，最好能為 AI 提供可靠的數(shù)據(jù)，而不是單純依賴其內(nèi)置的知識。

　　值得注意的是，AI 模型對自身能力的估計(jì)往往過于樂觀。研究人員發(fā)現(xiàn)，當(dāng)這些模型被要求對自己的回答進(jìn)行信心評分時，它們通常會給出夸大的準(zhǔn)確性評分。在重復(fù)回答相同問題的測試中，即使模型多次給出相同答案，它們的實(shí)際成功率也仍低于其自我評估的準(zhǔn)確性。這與外界對語言模型常常產(chǎn)生荒謬回答卻顯得信心滿滿的批評一致。

　　研究者認(rèn)為，當(dāng)前的 AI 系統(tǒng)在事實(shí)準(zhǔn)確性上存在明顯的缺口，亟需改進(jìn)。同時，他們也提出了一個開放性問題:AI 在回答簡短事實(shí)問題的表現(xiàn)是否能預(yù)測其在處理更長、更復(fù)雜回答時的表現(xiàn)。為了支持更可靠的語言模型的開發(fā)，OpenAI 已經(jīng)將 SimpleQA 基準(zhǔn)測試的資料公開發(fā)布到 Github 上。