最新研究：AI模型在回答事實(shí)問(wèn)題時(shí)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(yǔ)言模型在回答事實(shí)問(wèn)題時(shí)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(cè)試，這個(gè)測(cè)試包含了4，326個(gè)，涵蓋了科學(xué)、政治和藝術(shù)等多個(gè)領(lǐng)域，每個(gè)問(wèn)題都有一個(gè)明確的正確答案。

　　經(jīng)過(guò)兩名獨(dú)立評(píng)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(cè)試的設(shè)計(jì)，不僅僅是為了測(cè)試 AI 的表現(xiàn)，還為了讓大家認(rèn)識(shí)到 AI 模型在知識(shí)獲取方面的局限性。研究者強(qiáng)調(diào)，用戶(hù)在使用這些模型時(shí)，應(yīng)該將其視為信息處理工具，而不是完全依賴(lài)的知識(shí)來(lái)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(lài)其內(nèi)置的知識(shí)。

　　值得注意的是，AI 模型對(duì)自身能力的估計(jì)往往過(guò)于樂(lè)觀(guān)。研究人員發(fā)現(xiàn)，當(dāng)這些模型被要求對(duì)自己的回答進(jìn)行信心評(píng)分時(shí)，它們通常會(huì)給出夸大的準(zhǔn)確性評(píng)分。在重復(fù)回答相同問(wèn)題的測(cè)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(píng)估的準(zhǔn)確性。這與外界對(duì)語(yǔ)言模型常常產(chǎn)生荒謬回答卻顯得信心滿(mǎn)滿(mǎn)的批評(píng)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(shí)，他們也提出了一個(gè)開(kāi)放性問(wèn)題:AI 在回答簡(jiǎn)短事實(shí)問(wèn)題的表現(xiàn)是否能預(yù)測(cè)其在處理更長(zhǎng)、更復(fù)雜回答時(shí)的表現(xiàn)。為了支持更可靠的語(yǔ)言模型的開(kāi)發(fā)，OpenAI 已經(jīng)將 SimpleQA 基準(zhǔn)測(cè)試的資料公開(kāi)發(fā)布到 Github 上。