Gemini Pro还不如GPT-3.5，CMU深入对比研究：保证公平透明可重复

梦晨 发自 凹非寺
量子位 | 公众号 QbitAI

谷歌Gemini实力到底如何？卡耐基梅隆大学来了场专业客观第三方比较。

为保证公平，所有模型使用相同的提示和生成参数，并且提供可重复的代码和完全透明的结果。

不会像谷歌官方发布会那样，用CoT@32对比5-shot了。

一句话结果：Gemini Pro版本接近但略逊于GPT-3.5 Turbo，GPT-4还是遥遥领先。

在深入分析中还发现Gemini一些奇怪特性，比如选择题喜欢选D……

不少研究者表示，太卷了，Gemini刚发布没几天就搞出这么详细的测试。

六大任务深入测试

这项测试具体比较了6大任务，分别选用相应的数据集：

• 知识问答：MMLU
• 推理：BIG-Bench Hard
• 数学：GSM8k、SVAMP、ASDIV、MAWPS
• 代码：HumanEval、ODEX
• 翻译：FLORES
• 上网冲浪：WebArena

知识问答：

从结果可以看出，使用思维链提示在这类任务上不一定能带来提升。

MMLU数据集里都是多选题，对结果进一步分析还发现奇怪现象：Gemini更喜欢选D。

GPT系列在4个选项上的分布就要平衡很多，团队提出这可能是Gemini没针对多选题做大量指令微调造成的。

另外Gemini的安全过滤比较严重，涉及道德问题只回答了85%，到了人类性行为相关问题只回答了28%。

Gemini Pro表现超过GPT-3.5的两个科目是安全研究和高中微观经济学，但差距也不大，团队表示分析不出来什么特别的。

推理：长问题不擅长

Gemini Pro在更长、更复杂的问题上表现不佳，而GPT系列对此更稳健。

GPT-4 Turbo尤其如此，即使在较长的问题上也几乎没有性能下降，表明它具有理解复杂问题的强大能力。

如果按问题类型来分析，Gemini特别不擅长“tracking_shuffled_objects”这类问题，也就人们交换物品，最后让AI判断谁拥有哪些物品。

Gemini比较擅长的任务是，需要世界知识的体育运动理解、操作符号堆栈、按字母顺序排序单词，解析表格。

数学：复杂任务反超

这一次问题本身太长Gemini Pro和GPT-3.5表现就一起下降，只有GPT-4还能保持一贯水准。

但使用的思维链提示长度最长时，Gemini反超GPT-3.5。

代码：擅长matplotlib

对于代码问题，Gemini在参考答案长的问题上表现很差。

按调用的库来分类，GPT系列在大多数类型更强，但matplotlib就完全不行。

翻译：只要回答了，质量就很高

翻译任务上，有12种类型Gemini拒绝回答，但是只要回答了的翻译质量都很高，整体表现超过GPT-4。

Gemini拒绝翻译的类型主要涉及拉丁语、阿拉伯语。

网络导航：擅长跨站点冲浪

WebArena给AI模拟了一个互联网环境，包括电子商务、社交论坛、GitLab协作开发、内容管理系统和在线地图等，需要AI查找信息或跨站点完成任务。

Gemini在整体表现不如GPT-3.5 Turbo，但在跨多个站点的任务中表现稍好。

网友：但是它免费啊

最后，CMU副教授Graham Neubig承认了这项研究的一些局限性。

• 基于API的模型行为可能随时变化
• 只尝试了有限数量的提示，对不同模型来说适用的提示词可能不一样
• 无法控制测试集是否泄露

谷歌大模型推理团队负责人周登勇指出，对于推理任务把Gemini的温度设置为0可以提高5-10个百分点。

这项测试中除了Gemini与GPT系列，还搭上了最近很受关注的开源MoE模型Mixtral。

不过强化学习专家Noam Brown认为可以忽略其中Mixtral的结果，因为用的是第三方API而非官方实现。

Mistral AI创始人也来给团队提供了官方版调用权限，认为能得到一个更好的结果。

总得来，虽然Gemini Pro还是不如GPT-3.5，但是它胜在每分钟调用不超过60次就免费。

所以还是有不少个人开发者已经转换了阵营。

目前Gemini最高版本Ultra版尚未发布，到时CMU团队也有意继续这项研究。

你觉得Gemini Ultra能达到GPT-4水平么？

论文：
https://arxiv.org/abs/2312.11444

参考链接：
[1]https://twitter.com/gneubig/status/1737108977954251216