人民網(wǎng)上海6月7日電 隨著AI大語言模型越來越多地表現(xiàn)出接近人類的智能，面向人類設(shè)計(jì)的高難度、綜合性考試被越來越多地引入對語言模型的智能水平進(jìn)行評測。OpenAI 在其關(guān)于 GPT-4 的技術(shù)報告中就主要通過各領(lǐng)域的考試對模型能力進(jìn)行檢驗(yàn)。2023年高考開考，中文大語言模型是否能夠在高考中趕超ChatGPT呢？

今天，上海人工智能實(shí)驗(yàn)室（上海AI實(shí)驗(yàn)室）、商湯科技聯(lián)合香港中文大學(xué)、復(fù)旦大學(xué)及上海交通大學(xué)發(fā)布千億級參數(shù)大語言模型“書生·浦語”（InternLM）。

據(jù)介紹，“書生·浦語”具有1040億參數(shù)，是在包含1.6萬億token的多語種高質(zhì)量數(shù)據(jù)集上訓(xùn)練而成。

全面評測結(jié)果顯示，“書生·浦語”不僅在知識掌握、閱讀理解、數(shù)學(xué)推理、多語翻譯等多個測試任務(wù)上表現(xiàn)優(yōu)秀，而且具備很強(qiáng)的綜合能力，因而在綜合性考試中表現(xiàn)突出，在多項(xiàng)中文考試中取得超越ChatGPT的成績，其中就包括中國高考各科目的數(shù)據(jù)集（GaoKao）。

目前，“書生·浦語”相關(guān)技術(shù)報告已在網(wǎng)上公開，報告對模型的技術(shù)特點(diǎn)以及測試結(jié)果進(jìn)行了詳細(xì)闡述。

綜合“大考”：“書生·浦語”多項(xiàng)成績領(lǐng)先于 ChatGPT

“書生·浦語”聯(lián)合團(tuán)隊(duì)選取了20余項(xiàng)評測對其進(jìn)行檢驗(yàn)，其中包含全球最具影響力的四個綜合性考試評測集：由伯克利加州大學(xué)等高校構(gòu)建的多任務(wù)考試評測集MMLU；微軟研究院推出的學(xué)科考試評測集AGIEval（含中國高考、司法考試及美國SAT、LSAT、GRE 和 GMAT等）；由上海交通大學(xué)、清華大學(xué)和愛丁堡大學(xué)合作構(gòu)建的面向中文語言模型的綜合性考試評測集C-Eval；以及由復(fù)旦大學(xué)研究團(tuán)隊(duì)構(gòu)建的高考題目評測集Gaokao。

實(shí)驗(yàn)室聯(lián)合團(tuán)隊(duì)對“書生·浦語”、GLM-130B、LLaMA-65B、ChatGPT 和 GPT-4 進(jìn)行了全面測試，針對上述四個評測集的成績對比如下（滿分100分）。

可以看到，“書生·浦語”不僅顯著超越了 GLM-130B 和 LLaMA-65B 等學(xué)術(shù)開源模型，還在AGIEval、C-Eval、以及 Gaokao 等多個綜合性考試中領(lǐng)先于 ChatGPT；在以美國考試為主的MMLU上實(shí)現(xiàn)和 ChatGPT 持平。這些綜合性考試的成績反映出“書生·浦語”扎實(shí)的知識掌握程度和優(yōu)秀的綜合能力。

雖然 “書生·浦語”在考試評測上取得優(yōu)秀成績，但在測評中也可以看到，大語言模型仍然存在不少能力局限性。“書生·浦語” 受限于2K的語境窗口長度（GPT-4的語境窗口長度為32K），在長文理解、復(fù)雜推理、撰寫代碼以及數(shù)理邏輯演繹等方面還存在明顯局限。另外，在實(shí)際對話中，大語言模型還普遍存在幻覺、概念混淆等問題；這些局限使得大語言模型在開放場景中的使用還有很長的路要走。

四個綜合性考試評測數(shù)據(jù)集結(jié)果

MMLU是由伯克利加州大學(xué)（UC Berkeley）聯(lián)合哥倫比亞大學(xué)、芝加哥大學(xué)和 UIUC 公共構(gòu)建的多任務(wù)考試評測集，涵蓋了初等數(shù)學(xué)、物理、化學(xué)、計(jì)算機(jī)科學(xué)、美國歷史、法律、經(jīng)濟(jì)、外交等多個學(xué)科。 細(xì)分科目結(jié)果如下表所示（粗體表示最佳結(jié)果，下劃線表示第二）。

AGIEval是由微軟研究院在今年新提出的學(xué)科考試評測集，主要目標(biāo)是通過面向的考試來評估語言模型的能力，從而實(shí)現(xiàn)模型智能和人類智能的對比。這個評測集基于中國和美國各類考試構(gòu)建了19個評測大項(xiàng)，包括了中國各科高考、司法考試以及美國的 SAT、LSAT、GRE 和 GMAT等重要考試。值得一提的是，在這19個大項(xiàng)有9個大項(xiàng)是中國高考，通常也列為一個重要的評測子集 AGIEval (GK)。下列表格中，帶GK的是中國高考科目。

C-Eval是由上海交通大學(xué)、清華大學(xué)和愛丁堡大學(xué)合作構(gòu)建的面向中文語言模型的綜合性考試評測集。它包含了52個科目的近14000道考題，涵蓋數(shù)學(xué)、物理、化學(xué)、生物、歷史、政治、計(jì)算機(jī)等學(xué)科考試，以及面向公務(wù)員、注冊會計(jì)師、律師、醫(yī)生的職業(yè)考試。測試結(jié)果可以通過leaderboard獲得。

（https://cevalbenchmark.com/static/leaderboard.html）

Gaokao是由復(fù)旦大學(xué)研究團(tuán)隊(duì)構(gòu)建的基于中國高考題目的綜合性考試評測集，包含了中國高考的各個科目，以及選擇、填空、問答等多種題型。在GaoKao測評中，“書生·浦語”在超過75%的項(xiàng)目中均領(lǐng)先ChatGPT。

分項(xiàng)評測：閱讀理解、推理能力表現(xiàn)出色

為了避免“偏科”，研究人員還通過多個學(xué)術(shù)評測集，對“書生·浦語”等語言模型的分項(xiàng)能力進(jìn)行了評測對比。結(jié)果顯示，“書生·浦語”不僅在中英文的閱讀理解方面表現(xiàn)突出，并且在數(shù)學(xué)推理、編程能力等評測中也取得了較好的成績。

在知識問答方面，“書生·浦語”在TriviaQA 和 NaturalQuestions 兩項(xiàng)評測上得分為69.8和27.6，均超越 LLaMA-65B（得分為68.2和23.8）。

在閱讀理解（英語）方面，“書生·浦語”明顯領(lǐng)先于 LLaMA-65B 和 ChatGPT。浦語在初中和高中英語閱讀理解中得分為 92.7 和 88.9，? ChatGPT 得分為 85.6 和 81.2，LLaMA-65B則更低。

在中文理解方面，“書生·浦語”的成績?nèi)娉街饕膬蓚€中文語言模型 ERNIE-260B 和 GLM-130B。

在多語翻譯方面，“書生·浦語”在多語種互譯中的平均得分為33.9，顯著超越LLaMA(平均得分15.1)。

在數(shù)學(xué)推理方面，“書生·浦語”在GSM8K 和 MATH 這兩項(xiàng)被廣泛用于評測的數(shù)學(xué)考試中，分別取得 62.9 和 14.9 的得分，明顯領(lǐng)先于 Google 的 PaLM-540B（得分為 56.5 和 8.8）與 LLaMA-65B （得分為 50.9 和 10.9）。

在編程能力方面，“書生·浦語”在HumanEval 和 MBPP 這兩項(xiàng)最具代表性的考評中，分別取得 28.1 和 41.4 的得分(其中經(jīng)過在代碼領(lǐng)域的微調(diào)后，在HumanEval上的得分可以提升至45.7)，明顯領(lǐng)先于 PaLM-540B（得分為 26.2 和 36.8）與 LLaMA-65B（得分為 23.7 和 37.7）。

此外，研究人員還對“書生·浦語”的安全性進(jìn)行評測，在 TruthfulQA（主要評價回答的事實(shí)準(zhǔn)確性） 以及 CrowS-Pairs（主要評價回答是否含有偏見）上，“書生·浦語”均達(dá)到領(lǐng)先水平。

分享讓更多人看到