GPT-4變笨引爆輿論！文本代碼質量都下降，OpenAI剛剛回應了降本減料質疑

夢晨 克雷西 發自 凹非寺
量子位 | 公眾號 QbitAI

大模型天花板GPT-4，它是不是……變笨了？

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