沉寂3年，大模型激活小度天貓精靈？
Tech星球（微信ID：tech618）文 | 何煦陽 沉寂了許久的智能音箱，在今年大模型橫空出世之后，又再次燃起了新的希望。 2月9日，小度宣布將融合文心一言，打造針對智能設(shè)備場景的AI模型&ldq
別急著用 GPT-5 編程了，可能它能力沒有你想象中那么強。
有人發(fā)現(xiàn)，官方測試編程能力用的 SWE-bench Verified，但貨不對板，只用了 477 個問題。
什么意思呢？我們知道，SWE-bench 是評估模型 / 智能體自主編程能力的一個通用且常用的指標(biāo)。而 SWE-bench Verified 作為它的子集，本來一共有 500 個問題。
現(xiàn)在相當(dāng)于 OpenAI 自行省略的那 23 個問題，自己搞了個子集的“子集”來評估模型能力。
而如果這些題默認零分，那么得分實際上是比 Claude Opus 4.1 還要低的。因為現(xiàn)在僅有 0.4% 的差距。
OpenAI 這種自行忽略 23 道題的操作，已經(jīng)不是第一次了。
早在 GPT-4.1 發(fā)布時就信誓旦旦地說，之所以忽略是因為這些問題的解決方案無法在他們的基礎(chǔ)設(shè)施運行。
離譜了朋友們！要知道 SWE-bench Verified 這個 OpenAI 自己提的，理由也是因為 SWE-bench 無法系統(tǒng)評估模型的編程能力，所以決定自己再提煉一個子集。
現(xiàn)在又因為測試題無法正常運行，所以自行又搞了個子集的“子集”。
本來以為 GPT-5 直播里出現(xiàn)圖表錯誤已經(jīng)夠離譜了，結(jié)果現(xiàn)在告訴我這里面的成績可能還有假？
已經(jīng)開始有網(wǎng)友發(fā)現(xiàn)，GPT-5 能力并不比 Claude 4.1 Opus 好多少。
現(xiàn)在來看，這個官方給的結(jié)果或許根本沒有參考價值。
網(wǎng)友們除了自行忽略部分測試題，“偽造了結(jié)果”這一發(fā)現(xiàn)外，還發(fā)現(xiàn)，他們是將具有最大思維努力的 GPT-5 與沒有擴展思維僅靠原始模型輸出的 Opus 4.1 進行比較。這種比較實際上沒有參考意義。
而他們之所以只使用 477 個問題來測試，理由也跟 GPT-4.1 發(fā)布時一樣，因為他們內(nèi)部的基礎(chǔ)設(shè)施運行不了剩下的 23 個問題。
今年 4 月份發(fā)布 GPT-4.1 時，在同一基準(zhǔn)僅使用 477 個問題下得得分在 54.6%。
當(dāng)時官方還指出，如果保守地將這些問題的得分定為 0，那么 54.6% 的得分就變成了 52.1%。即便是這樣，這個數(shù)值放在當(dāng)時也是最高的。
而 Anthropic 這邊，其實也已經(jīng)發(fā)現(xiàn)了 OpenAI 這個操作。
就在 Claude Opus 4.1 發(fā)布公布編程成績之時，在文章的末尾有這么一句話。
對于 Claude 4 系列模型，他們繼續(xù)使用相同的簡單框架，該框架僅為模型配備了兩種工具 —— 一個 Bash 工具和一個通過字符串替換進行文件編輯的工具，并且不再包含 Claude 3.7 Sonnet 中使用的第三個“規(guī)劃工具”。
并在最后注明：在所有 Claude 4 模型中，他們報告的分數(shù)基于完整的 500 個問題。OpenAI 模型的得分基于 477 道問題的子集進行報告。
如果說，SWE-bench Verified 還是 OpenAI 自己提的基準(zhǔn)，那這件事就更離譜了。
這不就相當(dāng)于自己搬起石頭砸自己的腳啦嘛。
當(dāng)時啊還是因為類似的原因 —— 他們測試發(fā)現(xiàn) SWE-bench 的一些任務(wù)可能難以解決甚至無法解決，導(dǎo)致 SWE-bench 無法系統(tǒng)性評估模型的自主編程能力。
于是乎，他們決定與 SWE-bench 的作者合作，決定弄出個新版本，希望能夠提供更準(zhǔn)確的評估。
他們共同發(fā)起了一項人工注釋活動，共有 93 位資深程序員參與進來，以篩選 SWE-bench 測試集每個樣本，從而獲得適當(dāng)范圍的單元測試和明確指定的問題描述。
他們隨機抽取了 1699 個樣本，然后基于統(tǒng)一標(biāo)準(zhǔn)來進行標(biāo)注。
比如，問題描述是否明確？每個注釋都有一個標(biāo)簽，范圍從 [0, 1, 2, 3]，嚴重程度依次遞增。
標(biāo)簽 0 和 1 表示輕微；標(biāo)簽 2 和 3 表示嚴重，表示樣本在某些方面存在缺陷，應(yīng)予以丟棄。
此外，我們還會評估每個示例的難度，方法是讓注釋者估算開發(fā)人員確定并實現(xiàn)解決方案所需的時間。
最終得到了 500 個經(jīng)過驗證的樣本，并且按照難度對數(shù)據(jù)集進行細分。“簡單”子集包含 196 個小于 15 分鐘的修復(fù)任務(wù)，而“困難”子集包含 45 個大于 1 小時的任務(wù)。
結(jié)果現(xiàn)在這個子集又被 OpenAI 縮減了。
One More Thing不過，還是有個總榜單或許值得參考，就是那個最原始的 SWE-bench。
在這個榜單中，Claude 4 Opus 還是占據(jù)著領(lǐng)先位置。
GPT-5 也已經(jīng)發(fā)過好一陣了，不知道你有沒有這樣類似的編程體驗呀？歡迎在評論區(qū)與我們分享。
參考鏈接：
[1]https://www.swebench.com/
[2]https://openai.com/index/introducing-gpt-5/
[3]https://www.anthropic.com/news/claude-opus-4-1
[4]https://x.com/SemiAnalysis_/status/1955028150217478177
[5]https://x.com/DavidOndrej1/status/1954158161721487482
本文來自微信公眾號：量子位（ID：QbitAI），作者：白交，原標(biāo)題《GPT-5 編程成績有貓膩！自刪 23 道測試題，關(guān)鍵基準(zhǔn)還是自己提的》
本文鏈接：http://m.www897cc.com/showinfo-45-26086-0.htmlOpenAI GPT-5 編程成績有貓膩：自刪 23 道測試題，關(guān)鍵基準(zhǔn)還是自己提的
聲明：本網(wǎng)頁內(nèi)容旨在傳播知識，若有侵權(quán)等問題請及時與本網(wǎng)聯(lián)系，我們將在第一時間刪除處理。郵件：2376512515@qq.com
Copyright ? 2016-2023 天津谷騏科技有限公司 版權(quán)所有 sitemap.xml
違法及侵權(quán)請聯(lián)系：2376512515@qq.com 津ICP備18001702號
津公網(wǎng)安備 12010102000574號