一句話解鎖100k+上下文大模型真實力，27分漲到98，GPT-4、Claude2.1適用
AI真的能從幾十萬字中準確找到關鍵事實嗎？
夢晨 發自 凹非寺
量子位 | 公眾號 QbitAI
各家大模型紛紛卷起上下文窗口，Llama-1時標配還是2k，現在不超過100k的已經不好意思出門了。
然鵝一項極限測試卻發現，大部分人用法都不對，沒發揮出AI應有的實力。
AI真的能從幾十萬字中找到特定關鍵事實嗎？顏色越紅代表AI犯的錯越多。
默認情況下，GPT-4-128k和最新發布的Claude2.1-200k成績都不太理想。
但Claude團隊了解情況后，給出超簡單解決辦法，增加一句話，直接把成績從27%提升到98%。
只不過這句話不是加在用戶提問上的，而是讓AI在回復的開頭先說：
“Here is the most relevant sentence in the context:”
（這就是上下文中最相關的句子：）
讓大模型大海撈針
為了做這項測試，作者Greg Kamradt自掏腰包花費了至少150美元。
好在測試Claude2.1時，Anthropic伸出援手給他提供了免費額度，不然還得多花1016美元。
其實測試方法也不復雜，都是選用YC創始人Paul Graham的218篇博客文章當做測試數據。
在文檔中的不同位置添加特定語句：在舊金山最好的事情，就是在陽光明媚的日子坐在多洛雷斯公園吃一個三明治。
請GPT-4和Claude2.1僅僅使用所提供的上下文來回答問題，在不同上下文長度和添加在不同位置的文檔中反復測試。
最后使用Langchain Evals庫來評估結果。
作者把這套測試命名為“干草堆里找針/大海撈針”，并把代碼開源在GitHub上，已獲得200+星，并透露已經有公司贊助了對下一個大模型的測試。
AI公司自己找到解決辦法
幾周后，Claude背后公司Anthropic仔細分析后卻發現，AI只是不愿意回答基于文檔中單個句子的問題，特別是這個句子是后來插入的，和整篇文章關系不大的時候。
也就是說，AI判斷這句話和文章主題無關，就偷懶不去一句一句找了。
這時就需要用點手段晃過AI，要求Claude在回答開頭添加那句“Here is the most relevant sentence in the context:”就能解決。
使用這個辦法，在尋找不是后來人為添加、本來就在原文章中的句子時，也能提高Claude的表現。
Anthropic公司表示將來會不斷的繼續訓練Claude，讓它能更適應此類任務。
在API調用時要求AI以指定開頭回答，還有別的妙用。
創業者Matt Shumer看過這個方案后補充了幾個小技巧：
如果想讓AI輸出純JSON格式，提示詞的最后以“{”結尾。同理，如果想讓AI列出羅馬數字，提示詞以“I:”結尾就行。
不過事情還沒完……
國內大模型公司也注意到了這項測試，開始嘗試自家大模型能不能通過。
同樣擁有超長上下文的月之暗面Kimi大模型團隊也測出了問題，但給出了不同的解決方案，也取得了很好的成績。
這樣一來，修改用戶提問Prompt，又比要求AI在自己的回答添加一句更容易做到，特別是在不是調用API，而是直接使用聊天機器人產品的情況下。
月之暗面還用自己的新方法幫GPT-4和Claude2.1測試了一下，結果GPT-4改善明顯，Claude2.1只是稍微改善。
看來這個實驗本身有一定局限性，Claude也是有自己的特殊性，可能與他們自己的對齊方式Constituional AI有關，需要用Anthropic自己提供的辦法更好。
后來，月之暗面的工程師還搞了更多輪實驗，其中一個居然是……
壞了，我成測試數據了。
參考鏈接：
[1]https://x.com/GregKamradt/status/1727018183608193393
[2]https://www.anthropic.com/index/claude-2-1-prompting
- 英偉達自毀CUDA門檻！15行Python寫GPU內核，性能匹敵200行C++2025-12-08
- GPT-5-Thinking新訓練方法公開：讓AI學會懺悔2025-12-04
- GPT5.5代號“蒜你狠”曝光！OpenAI拉響紅色警報加班趕制新模型，最快下周就發2025-12-03
- 華爾街尬捧TPU學術界懵了：何愷明5年前就是TPU編程高手，多新鮮2025-11-30
相關閱讀
