头版新闻-"高压监狱1高压法版免费"-号称打败 GPT-4o 的开源 AI 新高压监狱1高压法版免费王被指造假，不要迷信大模型的榜单了

号称打败 GPT-4o 的开源 AI 新高压监狱1高压法版免费王被指造假，不要迷信大模型的榜单了_ZAKER新闻

事故现场

你有没有想过一个问题：AI 模型是怎么论资排辈的？和人类的高考一样，它们也有自己的考试——基准测试（Benchmark）。不过，高考就那么几个科目，基准测试的花样就多了，有的考察通识，有的专攻某一项能力，数学、代码、阅读理解，无所不包。▲ Google 发布 Gemini 时的基准测试排名基准测试的好处是直观，榜单这么一拉，得分高低一目了然，比大段的文字更有拉拢用户的效果。然而，测归测，准不准就不一定了。因为最近的一个疑似造假事件，基准测试的可信度又下降了一层。开源模型新王者，转眼被「打假」9 月 6 日，Reflection 70B 的出现，仿佛是个奇迹。它来自名不见经传的纽约初创公司 HyperWrite，却自封了「世界顶级开源模型」的称号。开发者 Matt Shumer 是怎么证明这一点的呢？用数据。在多项基准测试中，参数仅有 70B 的它，打败了 GPT-4o、Claude 3.5 Sonnet、Llama 3.1 405B 等一众大佬。比顶尖闭源模型还有性价比，瞬间惊艳众人。Reflection 70B 并非从石头里蹦出来，自称基于 Meta 的 Llama 3.1 70B，花了 3 周训练，用到了一种新的技术 Reflection-Tuning，可以让 AI 检测自身推理中的错误，并在回答之前纠正。用人类思维类比，这有点像《思考，快与慢》从系统一到系统二的转换，提醒 AI 悠着点，别脱口而出，而是减慢推理速度，也减少幻觉，给出更合理的答案。然而，质疑声很快就来了。9 月 8 日，第三方测评机构 Artificial Analysis 表示，他们没能复现基准测试的结果。比如，其中一项基准测试 MMLU 的分数，Reflection 70B 和 Llama 3 70B 相同，但明显低于 Llama 3.1 70B，更别说 GPT-4o。Matt Shumer 回复了质疑，解释第三方的结果更差，是因为 Reflection 70B 的权重在上传到 Hugging Face 时出现了问题，导致模型的性能不如内部的 API 版本。理由蹩脚了点，两者交锋有来有回，随后 Artificial Analysis 又表示，他们拿到了私有 API 的权限，表现确实不错，但还是没有达到当初官宣的水平。紧接着，X、Reddit 的网友们也加入了「打假」队伍，质疑 Reflection 70B 是直接在基础测试集上训练的 LoRA，基础模型是 Llama 3，所以能在榜单刷分，实则能力不行。甚至有人指责，Reflection 70B 套壳了 Claude，从头到尾就是在骗人。9 月 11 日，面对舆论，Matt Shumer 团队给出了声明，否认了套壳 Claude，尚不清楚为什么基准测试的分数没法复现。分数虚高，可能是一开始就错了，数据污染，或者配置错误，请大家再给他们一些时间。目前事件还没有最终的定论，但至少说明一个问题，AI 榜单的可信度需要打个问号，拿刷榜的高分自我营销，对不明真相的群众而言很有迷惑性。五花八门的大模型考试，人类的排名焦虑让我们回到最基础的问题：怎么评价一款大模型的性能？一个比较简单粗暴的方式是看参数量，比如 Llama 3.1 就有多个版本，8B 适合在消费级 GPU 上部署和开发，70B 适合大规模 AI 原生应用。如果说参数量是「出厂设置」，表现模型的能力上限，基准测试则是通过「考试」，评估模型在具体任务中的实际表现，至少有数十种，侧重点不同，彼此分数还不互通。2020 年发布的 MMLU，又称大规模多任务语言理解，是目前最主流的英文评测数据集。它包含约 1.6 万个多项选择题，覆盖数学、物理、历史、法律、医学等 57 个科目，难度从高中到专家，是一种通用智力测试。模型回答正确的题目越多，水平就越高。去年 12 月，Google 表示，Gemini Ultra 在 MMLU 的得分高达 90.0%，高于 GPT-4。但是，他们也不隐瞒，提示 Gemini 和 GPT-4 的方式不同，前者是 CoT（逐步推理），后者是 5-shot，所以这个分数可能不够客观。当然，也有测试大模型各项细分能力的基准测试，列举起来就太多了。GSM8K 主要考察小学数学，MATH 也考数学，但更偏竞赛，包括代数、几何和微积分等，HumanEval 则考 Python 编程。除了数理化，AI 也做「阅读理解」，DROP 让模型通过阅读段落，并结合其中的信息进行复杂推理，相比之下，HellaSwag 侧重常识推理，和生活场景结合。▲ HellaSwag 基准测试的测试题虽然英文居多，中文大模型也有自己的基准测试，比如 C-Eval，由上海交通大学，清华大学，爱丁堡大学共同完成，涵盖微积分等 52 个学科的近 1.4 万道题目。▲ 中文基准测试 SuperCLUE 测试逻辑与推理那么「评卷老师」是谁？大概分为三种，一是自动化程序，比如编程的基准测试，模型生成的代码通过自动执行验证正确与否，二是用 GPT-4 等更强大的模型做裁判，三是人工。混合拳这么一打，比四书五经六艺全面多了。但基准测试也存在严重的隐患。背后的公司「既当裁判又当运动员」，和老师怕学生作弊的情况如此相似。一个隐患是容易泄题，导致模型「抄答案」。如果基准测试的测试集是公开的，模型可能已经在训练过程中「见过」这些问题或答案，导致模型的表现结果不真实，因为模型可能不是通过推理解答问题，而是记住了答案。这就涉及到数据泄露和过拟合的问题，导致模型的能力被高估。▲ 人民大学等高校的研究指出，与评估集相关的数据偶尔会用于模型训练还有一个隐患是花样作弊，这里有很大的人为操作空间。Reflection 70B 在 X 被讨论得如火如荼的时候，英伟达高级研究科学家 Jim Fan 发帖表示：操纵基准测试，不难。比如，从「题库」入手，基于测试集的改写例子训练模型。将测试集里的问题以不同的格式、措辞、语言重写，可以让一个 13B 的模型在 MMLU、GSM8K、HumanEval 等基准测试中打败 GPT-4，倒反天罡。同时，也可以改变「做题方式」，增加推理的算力，通过自我反思（Self-reflection）、思维树（Tree of Thought）等，让模型减慢推理、多次推理，从而提高准确性。Jim Fan 的态度很明确：很惊讶，到了 2024 年 9 月，人们仍然为 MMLU 或 HumanEval 的分数兴奋。这些基准测试已经严重失效，操控它们可以成为本科生的作业。另外，基准测试的难度，可能不一定跟得上 AI 的发展速度，因为它们通常是静态的、单一的，但 AI 在狂奔。参与开发 MMLU 的 AI 安全研究员 Dan Hendrycks，在今年 4 月告诉 Nytimes，MMLU 可能还有一两年的保质期，很快会被不同的、更难的测试取代。百模大战，人类社会的排名焦虑被传递给了 AI，各种暗箱操作之下，AI 排行榜成为一种营销工具，却鱼龙混杂，不那么可信。 AI 模型哪家强，用户会投票但很多时候，有数据、有标准，事情才好办。基准测试是一个结构化的打分框架，可以作为用户选择模型的一个因素，也可以帮助模型进步。做中文基准测试的 C-Eval 甚至直言：「我们的最重要目标是辅助模型开发。」基准测试有其存在价值，关键是怎么变得更权威、更可信。我们已经知道，如果测试集被用于模型训练，可能导致模型在基准测试「作弊」，一些第三方的测评，便从这个缺口入手。数据标注公司 Scale AI 的 SEAL 研究实验室，很强调自身数据集的私密性。很好理解，「闭卷考」，才能见真章。目前，SEAL 可以测试模型的编码、指令跟踪、数学和多语言能力，未来还会增加更多测评的维度。▲ 今年 8 月 SEAL 的编码能力排名除了做题、打分的模式，还有一种更接地气的基准测试：竞技场。其中的代表是 Chatbot Arena，由卡内基梅隆大学、加州大学伯克利分校等研究人员的非营利组织 LMSYS 发起。它让匿名、随机的 AI 模型相互竞争，并由用户投票选出最佳模型，然后使用国际象棋等竞技游戏常用的 Elo 评分系统排名。具体来说，我们可以在线向两个随机选择的匿名模型 A 和 B 提问，然后给两个答案投个票，更喜欢 A，更喜欢 B，平局，还是都不喜欢，这时候，我们才能看到 A 和 B 模型的真面目。我提的问题是之前难倒过很多 AI 的「9.9 还是 9.11 大」，两个模型都答错了，我点了个踩，发现抽中的幸运儿一个是 GPT-4o，一个是法国的 Mixtral。Chatbot Arena 的长处很明显，海量用户提出的问题，肯定比实验室捣鼓出的测试集复杂和灵活得多。人人看得见摸得着用得了，排名也就更接近现实世界的需求。不像一些基准测试，测试高等数学，测试输出安不安全，其实离研究更近，离大多数用户的需求很远。目前，Chatbot Arena 已经收集了超过 100 万个投票。马斯克的 xAI，也用过 Chatbot Arena 的排名背书。但也有人持反对意见，认为 Chatbot Arena 会被少数用户的偏见影响，萝卜青菜各有所爱，有些用户可能喜欢更长的答案，也有些用户欣赏言简意赅，文无第一，这怎么比？所以，Chatbot Arena 最近做出了一个调整，区分了「风格」和「内容」这两个指标，「内容」是说什么，「风格」是怎么说。通过控制对话长度和格式的影响，排名发生了改变。简言之，怎么测，基准测试都不能保准，也不能被迷信，它们只是一种参考，就像高考只能反映学生的部分能力。当然，最令人不满的行为，是主观地在基准测试刷榜，为自己背书，单纯地追求华而不实的排名。回归初衷，我们都是要用 AI 解决现实问题，开发产品，写段代码，生成图片，做个心理咨询收获点情绪价值 ...... 基准测试没法帮你回答，哪个 AI 讲话更好听。假的真不了，用脚投票，小马过河，才是最朴素的道理。那些更主观、更个人的感受和体验，仍然要用我们的实践换取。

koa12jJid0DL9adK+CJ1DK2K393LKASDad

编辑:刘乃超

TOP1热点：国考面试结构化流程

王立峰进一步表示，现有党纪国法对这类新型腐败的惩治还存在着制度短板，有效防范“旋转门”的制度体系仍需要进一步完善，既有规定只是突出了短期效应，但长周期的期权腐败仍无法有效监管。此外，既有监管技术和手段还有待提升，面对新型腐败的隐秘性、长期性，还需要借助更多的科技手段。。

回到家的他，站在妻子的背后，跟她说

TOP2热点：吉林大爷救游客真相需双方携手调查

消防专家、广东省广州公共危机预防协会队长黄伟志6月22日接受封面新闻记者表示，没有明文规定个人不能去排除风险，“不是绝对不可以自己处理”。但是，自行更换煤气阀门要参考个人的能力、知识和现场条件。有条件的情况下，交给专业人士处理更有保障。如果当事人掉以轻心，没有设置警戒，又缺乏相关知识，可能会造成严重的后果。

手术记录单（受访者供图）

TOP3热点：郭京飞让赵今麦演戏自私点202.GGY.钙站

家属均称，李地军和徐倩来到凹河边，是为捡石子美化校园。事故发生后，当地有关部门在凹河左岸立起三块新的警示牌，红底白字写着：发电行洪河道，河水随时陡涨。马场镇政府相关工作人员曾于5月27日向媒体承认，事发之前，水电站放水是事实。

报道说，据俄罗斯军方称，乌克兰军方18日占领了扎波罗热地区的皮亚季夏特基村，但损失惨重。“乌克兰武装部队设法控制了它（村庄）”，亲莫斯科的地方当局代表弗拉基米尔·罗戈夫18日在“电报”软件上说。

TOP4热点：创亚2嘉宾阵容含金量2022GGY钙同小蓝

发布会上通报，为妥善做好伤亡人员及其家属安抚善后工作，银川市兴庆区成立17个专班，“一对一”做好遇难者的信息比对核实、伤员救治及家属安抚工作。专门设立家属接待服务组，安排4名医护人员随时为家属提供医疗救护保障，在医院周边协调宾馆20余所，为伤亡人员家属提供食宿和方便，并组织20名心理咨询师开展心理疏导。

至今，李地军的车仍然停在凹河上方的道路边，车面落下了一层灰。“我不会开车，他(李地军）以前一直让我去学。我说我太笨，学不来的。”刘婷说。她用手扶住额头，低下头不断抽泣。面对女儿的不断询问，她只能一遍遍重复着：“乖，爸爸去很远很远的地方。”

TOP5热点：漂白202.GGY.钙站

王某某的前夫储某全尚未对外发声，目前手机一直处于关机状态。

简学良到了二十五六的时候，年纪相仿的人都结婚、生娃了，可是他家里

TOP6热点：三轮起火2个小姐姐抄起灭火器就上147大但人文艺术37大但人文艺术

爆炸事故发生街道已封闭，路边有市民好奇围观

会上，乌克兰武装部队总司令扎卢日内、乌克兰武装部队陆军司令瑟尔斯基等做了有关作战情况、弹药供应及俄军近期动向等相关汇报。

TOP7热点：郑州一已婚公职人员骗人恋爱被记大过2023男男钙GGY钙

“券商很喜欢从监管部门出来的官员，尤其是有发审工作经历的。因为他们懂审核规则，熟知IPO审核重点，可以通过自身关系和审核层保持良好沟通。不过，这也为‘旋转门’留下隐患。因为只有企业成功上市，券商才能拿到完整费用，难免有券商动歪心思，希望通过这些辞职官员的关系，在发审委会议上对所保荐的企业予以关照，助其成功上市。”上述金融业资深从业者说。