国产GPTs来了，基于智谱第4代大模型！模型性能均达GPT-4九成以上

衡宇 发自 凹非寺
量子位 | 公众号 QbitAI

国产大模型玩家智谱AI，交出最新成绩单——

发布全自研第四代基座大模型GLM-4，且所有更新迭代的能力全量上线。

作为国内唯一一个产品线全对标OpenAI的大模型公司，智谱年前攒了波大的：

按官方说法，GLM-4性能相比GLM-3提升60%，逼近GPT-4（11月6日最新版本效果）。

而同时推出的GLM-4-All Tools，能够完成用户意图理解-复杂指令规划-自由调用GLM生态的多种模型能力。

值得一提的是，智谱发布了GLMs，为所有开发者提供AI智能体定制能力，简单prompt指令就能创建个性化GLM智能体。

之前，智谱CEO张鹏就明确过：

OpenAI摸着石头过河，我们摸着OpenAI过河。

摸来摸去摸了一年，以每3-4个月升级一次基座模型的速度，智谱摸着OpenAI过河的最新成绩到底怎么样？真如所说吗？

当官方用上“可对比”“对标”“追平”等字眼后，智谱接下来的路又会怎么走？

好奇，感兴趣，想知道。

（我猜你们也是）。

所以，发布GLM-4的智谱AI技术开放日现场，我们替没到场的小伙伴听了、看了；满肚子的问题，我们也帮大家抓住张鹏问了。

GO——

“摸着OpenAI”，路走成什么样了？

智谱为什么敢喊出“逼近”甚至部分超过GPT-4？

老规矩，直接一起看GLM-4的现场演示：

首先来看整体性能。

基础能力方面，张鹏在现场介绍了GLM-4在各项评测集上的最终得分。

• MMLU：81.5，达到GPT-4的94%水平；
• GSM8K：87.6 ，达到GPT-4的95%水平；
• MATH ：47.9，达到GPT-4的91%水平；
• BBH ：82.3，达到GPT-4的99%水平；
• HellaSwag ：85.4，达到GPT-4 的90%水平；
• HumanEval：72，达到GPT-4的100%水平。

指令跟随能力方面，和GPT-4相比，IFEval在Prompt提示词跟随（中文）方面达到88%，指令跟随（中文）方面达到 90%水平，超过GPT-3.5。

对齐能力上，基于AlignBench数据集，GLM-4超过了GPT-4的6月13日版本，逼近GPT-4最新（11月6日版本）效果。

在专业能力、中文理解、角色扮演方面，GLM-4超过GPT-4精度。

不过张鹏也表示，GLM-4在中文推理方面的能力，还有待进一步提升。

其次，在大模型的“内存”能力方面，GLM-4系列支持128k上下文窗口长度，单次提示词可处理文本300页，比前作有所提升。

在needle test大海捞针测试中，GLM-4在128K文本长度内均可做到几乎百分之百精度召回。

除此之外，GLM-4系列集成了一些新能力在身上，主要是Agent能力和多模态能力。

多模态能力方面，GLM-4则是把原本就有的文生图（CogView3）、代码能力做了升级。

智谱强调，CogView3效果超过开源最佳的Stable Diffusion XL，逼近DALLE·3。

至于Agent能力方面，此前智谱发布过AgentLM系列并开源。

这次是把Agent能力整合进了GLM-4，有了GLM-4-All Tools。

它可以根据用户意图，自动理解、规划复杂指令，自由调用文生图、代码解释器、网页浏览能力，以完成复杂任务。

对GLM-4的发布，综合下来给人一种这样的感觉：

去年10月底第3代基座大模型，该公司在模型产品线上和OpenAI逐一对齐；第4代是在拉齐模型能力和OpenAI GPT-4的能力水平线。

明显能感觉到，智谱的基座模型越往后升级，越开始不强调模型参数大小，转而开始尽可能地向外界展示可用能力。

为什么不想强调参数规模了？会像OpenAI一样逐渐close起来吗？

量子位打听了一番，听到的消息是，现在的技术主流路线已经发现并不是参数量越大越好——当然，模型越“大”，肯定能带来能力涌现的好处，但模型越大，成本就越高，成本高自然不是市场想要追求的。

同时，现在的技术演进和发展已经表明，追求更好的能力，可以用一些更精细的方法，在保证模型无需十倍级提升参数的情况下，大幅提升性能。

以上两个原因相加，是智谱也不再强调基座模型参数的背后原因。

参数不强调了，外界的目光自然更加紧盯这一代基座模型的性能——这确实是智谱这回想要强调的东西。

接下来将主要发力三个方向

“大模型的技术，不是说把原来系统里的小模型扔掉，换上大模型的接口就行了。这只是在局部做了替换，本质上并无改变。”张鹏解释道，“但我们大家潜意识里期待的，是完全的革新和创新，是不需要原来的那套结构。”

他补充解释，从新技术出发，改造整个生产流程、提升生产效率和生产力，这就是拥有大模型能力后，“AI原生”会完成的任务。“那AI原生的应用前提条件是什么？还是得回到模型本身的能力。”

张鹏表示，模型能力足够强、维度足够多、能力要能融合产生化学反应从而扩大能力空间，本质上还是看模型能力的事儿。

我们想得很清楚，还是要做好我们最擅长、最喜欢的事情，然后大家一起来做这个生态。

为了把GLM的生态圈建起来、建好，摸着OpenAI过河的智谱，这会推出了可定制化的GLM。

也就是GLMs。

无论任何用户，只要用简单的prompt指令，就能创建属于自己的GLM个性化智能体。

张鹏还在现场宣布，智谱智能体中心也同时上线。

等等……既然GLMs有了，GLM Store是不是也不远了？！

好问题。量子位当然第一时间拿这个问题问了张鹏。

得到的答案是：

紧接着，我们锲而不舍地抛出了新的问题：

如果说之前的行为都是在摸着OpenAI过河，那么现在，智谱的基座模型喊出对标GPT-4，接下来的路会怎么走？

张鹏稍稍透露了那么一点，主要是在三个方向发力。

• 超级智能
• 超级对齐
• 具身智能

其中比较值得拿出来说道说道的，是“超级对齐”这一点。

这里回顾一下有关超级对齐的前情提要：去年7月，OpenAI首次提出超级对齐这一概念，宣布成了一个新的研究团队，在未来4年投入20%算力，用AI监督AI的方式，解决超级智能AI与人类意图对齐的问题。

“我个人觉得，在（超级对齐）这件事情上，可能我们认知还没有那么深，或者说大家对这事情的认知不太一致。”张鹏说。

在他看来，OpenAI创始人之一Ilya想做到的超级对齐，是想要在AI从诞生之时起，就从底层保持着对人类最大限度的爱，“他是要去探寻本源。自训练、自学习这样的能力实际上是对世界知识的一种压缩和表示，所以实现这个目标，需要从知识或数据层面来解决。”

简单来说，Ilya有关超级对齐的研究，可以等价为尝试开黑盒，然后设法从AI智能产生的那一刻起，就和人类意图对齐。

而张鹏表示，他个人在现阶段更倾向于另一派的观点，即从行为主义角度出发。

“超级对齐究竟是什么？想要对齐一个东西，这东西都还不存在，咋对齐？对齐啥呢？”

从行为学角度考虑，就不用考虑开黑盒的问题，研究者只需要像教育孩子一样，先观察小孩的行为。看到AI行为是错的，就给一巴掌；行为是对的，就给一颗糖。

想要成为“AGI元年”，2024需要面对什么？

2024年，短短半个月期间，GPT上线了GPT Store，智谱推出了GLM-4……

而这一年才刚刚开始。

热闹非凡的百模大战打了一年，有的玩家已经偃旗息鼓了，但可以肯定，OpenAI会带领GPT继续迭代，智谱或许也会继续以3-4月更新一次基座模型的速度向前推进，国外的Anthropic、Mistral AI、Google，国内的零一万物、MiniMax等都会如此。

那么，如果按照业界默认，称刚刚过去的2023年为大模型元年的话，2024想要“化身”AGI元年，正面临哪些挑战？

去年3月，在量子位举办的AIGC峰会上，张鹏认为外界环境带来的三大挑战是人力、成本和算法。

当现在把这个问题丢到张鹏面前时，他的看法是，加入到大模型研究中的人已经极大丰富了，困境有所缓解；取代它位列新三大困境之一的则是“环境”。

一方面，挑战者能不能有足够的敏锐度，从环境中寻找并掌握突破口？

张鹏用他前段时间在某群里刷到的一个视频作为形象的例子，那个视频展示的是许多人小时候玩儿过的小球消砖块游戏。

最佳情况是把球从正好的角度打进砖块包围的缺口，然后形成数次拐弯，消灭掉所有的砖块。
实际上这个机率很小，很多次都会和“正好”的角度擦肩而过；或者看似瞄准了缺口，又不幸地被挡住弹了回来。
终于有一天，你打进了缺口，然后什么都不用干，自然而然所有的砖块都被消除了。

另一方面，在不断试错、不断失败的过程中，市场乃至整个社会对技术的耐心能够持续多长时间？

如果市场失去耐心，大模型这样一个消耗很大资源要做的事，立刻会陷入玩不下去的窘境。

然而玩弹球砖块游戏，很多人并不能坚持到砖块全部消除。

“前面的试错、铺垫是难以忍受的。就像面对科技创新，大家期待的都是最后的爆发时刻。”