开源AI新王被指造假，不要迷信大模型的榜单了

你有没有想过一个问题：AI模型是怎么论资排辈的？

和人类的高考一样，它们也有自己的考试——基准测试（Benchmark）。

不过，高考就那么几个科目，基准测试的花样就多了，有的考察通识，有的专攻某一项能力，数学、代码、阅读理解，无所不包。

Google发布Gemini时的基准测试排名

基准测试的好处是直观，榜单这么一拉，得分高低一目了然，比大段的文字更有拉拢用户的效果。

然而，测归测，准不准就不一定了。因为最近的一个疑似造假事件，基准测试的可信度又下降了一层。

开源模型新王者，转眼被“打假”

9月6日，Reflection 70B的出现，仿佛是个奇迹。它来自名不见经传的纽约初创公司HyperWrite，却自封了“世界顶级开源模型”的称号。

开发者Matt Shumer是怎么证明这一点的呢？用数据。

在多项基准测试中，参数仅有70B的它，打败了GPT-4o、Claude 3.5 Sonnet、Llama 3.1 405B等一众大佬。比顶尖闭源模型还有性价比，瞬间惊艳众人。

Reflection 70B并非从石头里蹦出来，自称基于Meta的Llama 3.1 70B，花了3周训练，用到了一种新的技术Reflection-Tuning，可以让AI检测自身推理中的错误，并在回答之前纠正。

用人类思维类比，这有点像《思考，快与慢》从系统一到系统二的转换，提醒AI悠着点，别脱口而出，而是减慢推理速度，也减少幻觉，给出更合理的答案。

然而，质疑声很快就来了。

9月8日，第三方测评机构Artificial Analysis表示，他们没能复现基准测试的结果。

比如，其中一项基准测试MMLU的分数，Reflection 70B和Llama 3 70B相同，但明显低于Llama 3.1 70B，更别说GPT-4o。

Matt Shumer回复了质疑，解释第三方的结果更差，是因为Reflection 70B的权重在上传到Hugging Face时出现了问题，导致模型的性能不如内部的API版本。

理由蹩脚了点，两者交锋有来有回，随后Artificial Analysis又表示，他们拿到了私有API的权限，表现确实不错，但还是没有达到当初官宣的水平。

紧接着，X、Reddit的网友们也加入了“打假”队伍，质疑Reflection 70B是直接在基础测试集上训练的LoRA，基础模型是Llama 3，所以能在榜单刷分，实则能力不行。

甚至有人指责，Reflection 70B套壳了Claude，从头到尾就是在骗人。

9月11日，面对舆论，Matt Shumer团队给出了声明，否认了套壳Claude，尚不清楚为什么基准测试的分数没法复现。

分数虚高，可能是一开始就错了，数据污染，或者配置错误，请大家再给他们一些时间。

目前事件还没有最终的定论，但至少说明一个问题，AI榜单的可信度需要打个问号，拿刷榜的高分自我营销，对不明真相的群众而言很有迷惑性。

五花八门的大模型考试，人类的排名焦虑

让我们回到最基础的问题：怎么评价一款大模型的性能？

一个比较简单粗暴的方式是看参数量，比如Llama 3.1就有多个版本，8B适合在消费级GPU上部署和开发，70B适合大规模AI原生应用。

如果说参数量是“出厂设置”，表现模型的能力上限，基准测试则是通过“考试”，评估模型在具体任务中的实际表现，至少有数十种，侧重点不同，彼此分数还不互通。

2020年发布的MMLU，又称大规模多任务语言理解，是目前最主流的英文评测数据集。

它包含约1.6万个多项选择题，覆盖数学、物理、历史、法律、医学等57个科目，难度从高中到专家，是一种通用智力测试。模型回答正确的题目越多，水平就越高。

去年12月，Google表示，Gemini Ultra在MMLU的得分高达90.0%，高于GPT-4。

但是，他们也不隐瞒，提示Gemini和GPT-4的方式不同，前者是CoT（逐步推理），后者是5-shot，所以这个分数可能不够客观。

当然，也有测试大模型各项细分能力的基准测试，列举起来就太多了。

GSM8K主要考察小学数学，MATH也考数学，但更偏竞赛，包括代数、几何和微积分等，HumanEval则考Python编程。

除了数理化，AI也做“阅读理解”，DROP让模型通过阅读段落，并结合其中的信息进行复杂推理，相比之下，HellaSwag侧重常识推理，和生活场景结合。

HellaSwag基准测试的测试题

虽然英文居多，中文大模型也有自己的基准测试，比如C-Eval，由上海交通大学，清华大学，爱丁堡大学共同完成，涵盖微积分等52个学科的近1.4万道题目。

中文基准测试SuperCLUE测试逻辑与推理

那么“评卷老师”是谁？大概分为三种，一是自动化程序，比如编程的基准测试，模型生成的代码通过自动执行验证正确与否，二是用GPT-4等更强大的模型做裁判，三是人工。

混合拳这么一打，比四书五经六艺全面多了。但基准测试也存在严重的隐患。背后的公司“既当裁判又当运动员”，和老师怕学生作弊的情况如此相似。

一个隐患是容易泄题，导致模型“抄答案”。

如果基准测试的测试集是公开的，模型可能已经在训练过程中“见过”这些问题或答案，导致模型的表现结果不真实，因为模型可能不是通过推理解答问题，而是记住了答案。

这就涉及到数据泄露和过拟合的问题，导致模型的能力被高估。

人民大学等高校的研究指出，与评估集相关的数据偶尔会用于模型训练

还有一个隐患是花样作弊，这里有很大的人为操作空间。

Reflection 70B在X被讨论得如火如荼的时候，英伟达高级研究科学家Jim Fan发帖表示：操纵基准测试，不难。

比如，从“题库”入手，基于测试集的改写例子训练模型。将测试集里的问题以不同的格式、措辞、语言重写，可以让一个13B的模型在MMLU、GSM8K、HumanEval等基准测试中打败GPT-4，倒反天罡。

同时，也可以改变“做题方式”，增加推理的算力，通过自我反思（Self-reflection）、思维树（Tree of Thought）等，让模型减慢推理、多次推理，从而提高准确性。

Jim Fan的态度很明确：

很惊讶，到了2024年9月，人们仍然为MMLU或HumanEval的分数兴奋。这些基准测试已经严重失效，操控它们可以成为本科生的作业。

另外，基准测试的难度，可能不一定跟得上AI的发展速度，因为它们通常是静态的、单一的，但AI在狂奔。

参与开发MMLU的AI安全研究员Dan Hendrycks，在今年4月告诉Nytimes，MMLU可能还有一两年的保质期，很快会被不同的、更难的测试取代。

百模大战，人类社会的排名焦虑被传递给了AI，各种暗箱操作之下，AI排行榜成为一种营销工具，却鱼龙混杂，不那么可信。

AI模型哪家强，用户会投票

但很多时候，有数据、有标准，事情才好办。

基准测试是一个结构化的打分框架，可以作为用户选择模型的一个因素，也可以帮助模型进步。做中文基准测试的C-Eval甚至直言：“我们的最重要目标是辅助模型开发。”

基准测试有其存在价值，关键是怎么变得更权威、更可信。

我们已经知道，如果测试集被用于模型训练，可能导致模型在基准测试“作弊”，一些第三方的测评，便从这个缺口入手。

数据标注公司Scale AI的SEAL研究实验室，很强调自身数据集的私密性。很好理解，“闭卷考”，才能见真章。

目前，SEAL可以测试模型的编码、指令跟踪、数学和多语言能力，未来还会增加更多测评的维度。

今年8月SEAL的编码能力排名

除了做题、打分的模式，还有一种更接地气的基准测试：竞技场。

其中的代表是Chatbot Arena，由卡内基梅隆大学、加州大学伯克利分校等研究人员的非营利组织LMSYS发起。

它让匿名、随机的AI模型相互竞争，并由用户投票选出最佳模型，然后使用国际象棋等竞技游戏常用的Elo评分系统排名。

具体来说，我们可以在线向两个随机选择的匿名模型A和B提问，然后给两个答案投个票，更喜欢A，更喜欢B，平局，还是都不喜欢，这时候，我们才能看到A和B模型的真面目。

我提的问题是之前难倒过很多AI的“9.9还是9.11大”，两个模型都答错了，我点了个踩，发现抽中的幸运儿一个是GPT-4o，一个是法国的Mixtral。

Chatbot Arena的长处很明显，海量用户提出的问题，肯定比实验室捣鼓出的测试集复杂和灵活得多。人人看得见摸得着用得了，排名也就更接近现实世界的需求。

不像一些基准测试，测试高等数学，测试输出安不安全，其实离研究更近，离大多数用户的需求很远。

目前，Chatbot Arena已经收集了超过100万个投票。马斯克的xAI，也用过Chatbot Arena的排名背书。

但也有人持反对意见，认为Chatbot Arena会被少数用户的偏见影响，萝卜青菜各有所爱，有些用户可能喜欢更长的答案，也有些用户欣赏言简意赅，文无第一，这怎么比？

所以，Chatbot Arena最近做出了一个调整，区分了“风格”和“内容”这两个指标，“内容”是说什么，“风格”是怎么说。通过控制对话长度和格式的影响，排名发生了改变。

简言之，怎么测，基准测试都不能保准，也不能被迷信，它们只是一种参考，就像高考只能反映学生的部分能力。

当然，最令人不满的行为，是主观地在基准测试刷榜，为自己背书，单纯地追求华而不实的排名。

回归初衷，我们都是要用AI解决现实问题，开发产品，写段代码，生成图片，做个心理咨询收获点情绪价值......基准测试没法帮你回答，哪个AI讲话更好听。

假的真不了，用脚投票，小马过河，才是最朴素的道理。那些更主观、更个人的感受和体验，仍然要用我们的实践换取。