大模型天花板GPT-4，它是不是……變笨了？

(相關資料圖)

先是少數用戶提出質疑，隨后大量網友表示自己也注意到了，還貼出不少證據。

有人反饋，把 GPT-4 的 3 小時 25 條對話額度一口氣用完了，都沒解決自己的代碼問題。

無奈切換到 GPT-3.5，反倒解決了。

總結下大家的反饋，最主要的幾種表現有：

以前 GPT-4 能寫對的代碼，現在滿是 Bug

回答問題的深度和分析變少了

響應速度比以前快了

這就引起不少人懷疑，OpenAI 是不是為了節省成本，開始偷工減料？

兩個月前 GPT-4 是世界上最偉大的寫作助手，幾周前它開始變得平庸。我懷疑他們削減了算力或者把它變得沒那么智能。

這就不免讓人想起微軟新必應" 出道即巔峰 "，后來慘遭 " 前額葉切除手術 " 能力變差的事情……

網友們相互交流自己的遭遇后，" 幾周之前開始變差 "，成了大家的共識。

一場輿論風暴同時在 Hacker News、Reddit 和 Twitter 等技術社區形成。

這下官方也坐不住了。

OpenAI 開發者推廣大使Logan Kilpatrick，出面回復了一位網友的質疑：

API 不會在沒有我們通知您的情況下更改。那里的模型處于靜止狀態。

不放心的網友繼續追問確認 " 就是說 GPT-4 自從3 月 14 日發布以來都是靜態的對吧？"，也得到了 Logan 的肯定回答。" 我注意到對于某些提示詞表現不一致，只是由于大模型本身的不穩定性嗎？"，也得到了"Yes"的回復。但是截至目前，針對網頁版 GPT-4 是否被降級過的兩條追問都沒有得到回答，并且 Logan 在這段時間有發布別的內容。那么事情究竟如何，不如自己上手測試一波。

對于網友普遍提到 GPT-4 寫代碼水平變差，我們做了個簡單實驗。

實測 GPT-4" 煉丹 " 本領下降了嗎？

3 月底，我們曾實驗過讓 GPT-4" 煉丹 "，用 Python 寫一個多層感知機來實現異或門。

△ShareGPT 截圖，界面稍有不同

讓 GPT-4 改用 numpy 不用框架后，第一次給出的結果不對。

在修改兩次代碼后，運行得到了正確結果。第一次修改隱藏神經元數量，第二次把激活函數從 sigmoid 修改成 tanh。

6 月 2 日，我們再次嘗試讓 GPT-4 完成這個任務，但換成了中文提示詞。

這回 GPT-4 第一次就沒有使用框架，但給的代碼仍然不對。

后續只修改一次就得到正確結果，而且換成了力大磚飛的思路，直接增加訓練 epoch 數和學習率。

回答的文字部分質量也未觀察到明顯下降，但響應速度感覺確實有變快。

由于時間有限，我們只進行了這一個實驗，且由于 AI 本身的隨機性，也并不能否定網友的觀察。

最早 4 月 19 日就有人反饋

我們在 OpenAI 官方 Discord 頻道中搜索，發現從4 月下旬開始，就不時有零星用戶反饋 GPT-4 變差了。

但這些反饋并未引發大范圍討論，也沒有得到官方正式回應。

5 月 31 日，Hacker News 和 Twitter 同天開始大量有網友討論這個問題，成為整個事件的關鍵節點。

HackerNews 一位網友指出，在 GPT-4 的頭像還是黑色的時候更強，現在紫色頭像版在修改代碼時會丟掉幾行。

在 Twitter 上較早提出這個問題的，是 HyperWrite（一款基于 GPT API 開發的寫作工具）的 CEO，Matt Shumer。

但這條推文卻引發了許多網友的共鳴，OpenAI 員工回復的推文也正是針對這條。

不過這些回應并沒讓大家滿意，反而討論的范圍越來越大。

比如 Reddit 上一篇帖子提到，原來能回答代碼問題的 GPT-4，現在連哪些是代碼哪些是問題都分不出來了。

在其他網友的追問下，帖子作者對問題出現的過程進行了概述，還附上了和 GPT 的聊天記錄。對于 OpenAI 聲稱模型從三月就沒有改動過，公開層面確實沒有相關記錄。

ChatGPT 的更新日志中，分別在1 月 9 日、1 月 30 日、2 月 13 日提到了對模型本身的更新，涉及改進事實準確性和數學能力等。

但自從3 月 14 日GPT-4 發布之后就沒提到模型更新了，只有網頁 APP 功能調整和添加聯網模式、插件模式、蘋果 APP 等方面的變化。

假設真如 OpenAI 所說，GPT-4 模型本身的能力沒有變化，那么這么多人都感覺它表現變差是怎么回事呢？

很多人也給出了自己的猜想。

第一種可能的原因是心理作用。

Keras 創始人 Fran ois Chollet 就表示，不是 GPT 的表現變差，而是大家渡過了最初的驚喜期，對它的期待變高了。

Hacker News 上也有網友持相同觀點，并補充到人們的關注點發生了改變，對 GPT 失誤的敏感度更高了。拋開人們心理感受的差異，也有人懷疑API 版本和網頁版本不一定一致，但沒什么實據。

還有一種猜測是在啟用插件的情況下，插件的額外提示詞對要解決的問題來說可能算一種污染。

△WebPilot 插件中的額外提示詞

這位網友就表示，在他看來 GPT 表現變差正是從插件功能開始公測之后開始的。

也有人向 OpenAI 員工詢問是否模型本身沒變，但推理參數是否有變化？量子位也曾偶然 " 拷問 " 出 ChatGPT 在iOS 上的系統提示詞與網頁版并不一致。

如果在手機端開啟一個對話，它會知道自己在通過手機與你交互。

會把回答控制在一到兩句話，除非需要長的推理。

不會使用表情包，除非你明確要求他使用。

△不一定成功，大概率拒絕回答

那么如果在網頁版繼續一個在 iOS 版開啟的對話而沒意識到，就可能觀察到 GPT-4 回答變簡單了。

總之，GPT-4 自發布以來到底有沒有變笨，目前還是個未解之謎。

但有一點可以確定：

3 月 14 日起大家上手玩到的 GPT-4，從一開始就不如論文里的。

與人類對齊讓 AI 能力下降

微軟研究院發表的 150 多頁刷屏論文《AGI 的火花：GPT-4 早期實驗》中明確：

他們早在 GPT-4 開發未完成時就得到了測試資格，并進行了長期測試。

后來針對論文中很多驚艷例子，網友都不能成功用公開版 GPT-4 復現。

目前學術界有個觀點是，后來的RLHF 訓練雖然讓 GPT-4 更與人類對齊——也就更聽從人類指示和符合人類價值觀——但讓也讓它自身的推理等能力變差。

論文作者之一、微軟科學家張弋在中文播客節目《What ’ s Next｜科技早知道》S7E11 期中也提到：

那個版本的模型，比現在外面大家都可以拿得到的 GPT-4 還要更強，強非常非常多。

舉例來說，微軟團隊在論文中提到，他們每隔相同一段時間就讓 GPT-4 使用 LaTeX 中的 TikZ 畫一個獨角獸來追蹤 GPT-4 能力的變化。

論文中展示的最后一個結果，畫得已經相當完善。

但論文一作Sebastien Bubeck后續在 MIT 發表演講時透露了更多信息。

后來當 OpenAI 開始關注安全問題的時候，后續版本在這個任務中變得越來越糟糕了。

與人類對齊但并不降低 AI 自身能力上限的訓練方法，也成了現在很多團隊的研究方向，但還在起步階段。

除了專業研究團隊之外，關心 AI 的網友們也在用自己的辦法追蹤著 AI 能力的變化。

有人每天讓 GPT-4 畫一次獨角獸，并在網站上公開記錄。

從 4 月 12 日開始，直到現在也還沒看出來個獨角獸的大致形態。當然網站作者表示，自己讓 GPT-4 使用 SVG 格式畫圖，與論文中的 TikZ 格式不一樣也有影響。

并且 4 月畫的與現在畫的似乎只是一樣差，也沒看出來明顯退步。

最后來問問大家，你是 GPT-4 用戶么？最近幾周有感到 GPT-4 能力下降么？歡迎在評論區聊聊。

Bubeck 演講：

https://www.youtube.com/watch?v=qbIk7-JPB2c

張弋訪談：

https://xyzfm.link/s/UfTan0

每天一個 GPT-4 獨角獸

https://gpt-unicorn.adamkdean.co.uk

參考鏈接：

[ 1 ] https://news.ycombinator.com/item?id=36134249

[ 2 ] https://twitter.com/nabeelqu/status/1663915378265800705

[ 3 ] https://twitter.com/OfficialLoganK/status/1663934947931897857

[ 4 ] https://discord.com/channels/974519864045756446/1001151820170801244

[ 5 ] https://twitter.com/mattshumer_/status/1663744527448829954

[ 6 ] https://www.reddit.com/r/ChatGPT/comments/13xik2o/chat_gpt_4_turned_dumber_today/

[ 7 ] https://help.openai.com/en/articles/6825453-chatgpt-release-notes

[ 8 ] https://twitter.com/fchollet/status/1664036777416597505

[ 9 ] https://news.ycombinator.com/item?id=36155267