GPT-4 Turbo首次被击败！国产大模型拿下总分第一

金磊 发自 凹非寺
量子位 | 公众号 QbitAI

OpenAI长期霸榜的SuperCLUE（中文大模型测评基准），终于被国产大模型反将一军。

事情是这样的。

自打SuperCLUE问世以来，成绩第一的选手基本上要么是GPT-4，要么是GPT-4 Turbo，来感受一下这个feel：

（PS：共有6次成绩，分别为2023年的9月-12月和2024年的2月、4月。）

△图源：SuperCLUE官方

但就在最近，随着一位国产选手申请的出战，这一局面终是迎来了变数。

SuperCLUE团队对其进行了一番全方位的综合性测评，最终官宣的成绩是：

总分80.03分，超过GPT-4 Turbo的79.13分，成绩第一！

△图源：SuperCLUE官方公众号

而这位国产大模型选手，正是来自商汤科技的日日新5.0（SenseChat V5）。

并且SuperCLUE还给出了这样的评价：

刷新了国内大模型最好成绩。

那么商汤在SuperCLUE的这个“首次”，又是如何解锁的呢？

综合、文科国内外第一，理科国内第一

首先我们来看下这次官方所搭建“擂台”的竞技环境。

出战选手：SenseChat V5（于5月11日提供的内测API版本）

评测集：SuperCLUE综合性测评基准4月评测集，2194道多轮简答题，包括计算、逻辑推理、代码、长文本在内的基础十大任务。

△图源：SuperCLUE官方报告

模型GenerationConfig配置：

• temperature=0.01
• repetition_penalty=1.0
• top_p=0.8
• max_new_tokens=2048
• stream=false

至于具体的评测方法，SuperCLUE在已发布的相关报告中也有所披露：

△图源：SuperCLUE官方报告

以上就是SuperCLUE公开的竞技环境配置。

至于结果，除了刚才我们提到的综合成绩之外，官方还从文科和理科两个维度，再做了细分的评测。

SenseChat V5在文科上的成绩依然是打破了国内大模型的纪录——

以82.20分的成绩位居第一，同样超越了GPT-4 Turbo。

△图源：SuperCLUE官方公众号

在理科成绩上，虽然SenseChat V5此次并没有超越GPT-4-Turbo（低了4.35分），但整体来看，依旧在国内大模型选手中首屈一指，位列国内第一。

△图源：SuperCLUE官方公众号

除了文理科之外，SuperCLUE也还从国内和国外的整体平均水平上做了对比。

例如和国内大模型平均水平相比，其各项成绩的“打开方式”是这样的：

△图源：SuperCLUE官方公众号

而在与国外选手做性能对比时，我们可以明显看到SenseChat V5文科能力优于国外选手，数理能力也非常优秀，代码能力依然有提升空间。

△图源：SuperCLUE官方公众号

△图源：SuperCLUE官方公众号

不过有一说一，评测分数定然是代表大模型性能的一方面，但在应用为王的当下，更重要的一点或许就得看用的效果了。

实测SenseChat V5

SenseChat V5早在4月底便已经集成到了“商量”在线的对话应用中，因此我们现在就可以出题对它做一番考验。

在逻辑测试方面，带有文字陷阱的脑筋急转弯，可以说是测试一个AI能力很好的例子，比如：

《红楼梦》全书有百万字，“红楼梦”有几个字?

若是仔细观察这句话，不难发现其实句子前后并没有太大的关联，是一个比较典型的脑筋急转弯。

对此，SenseChat V5给出的答案是：

《红楼梦》作为中国古典文学的巅峰之作，其全文字数大约在70万到80万字之间，具体字数根据不同版本稍有差异。而标题“红楼梦”这三个字，自然是只有三个字。这个标题凝练而富有深意，象征着作品的梦幻色彩和对封建家族兴衰的深刻反思。

我们可以看到SenseChat V5不仅找出了问题的陷阱并做出了分析，给出的答案也是正确的。

对于数学的能力，我们设置了这样的一个问题：

假设有一个池塘，里面有无穷多的水。现有2个空水壶，容积分别为5升和6升。如何只用这2个水壶从池塘里取得3升的水。

同样的，SenseChat V5依旧是给出了每一个详细的步骤和分析，并得到了最终结果。

更直接的数学问题，例如找数字之间的规律，SenseChat V5也是信手拈来：

在中文理解方面，即使是给SenseChat V5一大段文言文，并且上难度连环发问，它是否可以hold得住？

请看结果：

最后，有请“弱智吧Benchmark”：

网吧能上网，为什么弱智吧不能上弱智？

嗯，确实是有点实力在身上的。

如何做到的？

其实对于这个问题，商汤在4月底将自家日日新大模型SenseNova版本迭代到5.0之际，就已经有所透露；当时商汤锁定的定位就是全面对标GPT-4 Turbo。

具体到技术，可以分为三大方面：

• 采用MoE架构
• 基于超过10TB tokens训练，拥有大量合成数据
• 推理上下文窗口达到200K

首先，为了突破数据层面的瓶颈，商汤科技使用了超过10T的tokens，确保了高质量数据的完整性，使得大模型对客观知识和世界有了基本的认知。

商汤还生成了数千亿tokens的思维链数据，这是此次数据层面创新的关键，能够激发大模型的强大推理能力。

其次，在算力层面，商汤科技通过联合优化算法设计和算力设施来提升性能：算力设施的拓扑极限用于定义下一阶段的算法，而算法的新进展又反过来指导算力设施的建设。

这也是商汤AI大装置在算法和算力联合迭代上的核心优势。

在其它细节方面，例如训练策略上的创新，商汤将训练过程分为三个大阶段（预训练、监督微调、RLHF）和六个子阶段，每个阶段专注于提升模型的特定能力。

例如，单是在预训练这个阶段，又可以细分为三个子阶段：初期聚焦于语言能力和基础常识的积累，中期扩展知识基础和长文表达能力，后期则通过超长文本和复杂思维数据进一步拔高模型能力。

因此在预训练结束之际，整个模型就已经拥有了较高水平的基础能力；但此时它的交互能力却还没有被激发出来，也就来到了第二阶段的监督微调（SFT）和第三阶段的人类反馈强化学习（RLHF）。

整体可以理解为先培养模型遵循指令和解决问题的能力，再调节其表达风格以更贴近人类的表达方式。接着，通过多维度的人类反馈强化学习过程，进一步改进模型的表达方式和安全性。

除此之外，商汤对于大模型的能力还有独到的三层架构（KRE）的理解。

首先是在知识，是指世界知识的全面灌注。

目前大模型等新质生产力工具近乎都是基于此来解决问题，也就是根据前人已经解决过的问题的方案，来回答你的问题。

这可以认为是大模型能力的基本功，但更为高阶的知识，应当是基于这样能力下推理得到的新知识，这也就是这个架构的第二层——推理，即理性思维的质变提升。

这一层的能力是可以决定大模型是否够聪明、是否可以举一反三的关键和核心。

再在此之上，便是执行，是指世界内容的交互变革，也就是如何跟真实世界产生互动（就目前而言，具身智能在这一层是潜力股般的存在）。

三者虽相互独立，但层与层之间也是紧密关联，打一个较为形象的比喻就是“知识到推理是像大脑，推理到执行则像小脑”。

在商汤看来，这三层的架构是大模型应当具备的能力，而这也正是启发商汤构建高质量数据的关键。

One More Thing

其实对于大模型测评这事，业界质疑的声音也是层出不穷，认为是“刷分”、“刷榜”、“看效果才是最重要的”。

对于这样敏感的问题，商汤在与量子位的交流过程中也是直面并给出了他们的看法：

无论从用户选择合适模型的角度，还是从研究者进行操作研究的需要来看，对模型能力的评价是必不可少的。
这不仅帮助用户和研究者了解不同模型的性能，也是推动模型发展的关键因素。
如果只针对一个公开的评测集进行优化（即刷分），是有可能提高模型在该评测集上的分数的。
评测不应只依赖单一数据集，而应通过多个评测集和第三方闭卷考试等方式相互印证，以此来得到更全面、更有说服力的模型性能评估。

以及对于国内近期各个大模型厂商正打得热火朝天的价格战，商汤将眼光放在了提供更深的端到端产品价值上，特别是在具备无限潜力且与生活应用更接近的移动端上，通过端云协同实现更优的计算成本但不损害模型的综合能力。

这或许暗示了商汤将通过技术创新和优化成本结构，为未来可能入局的价格竞争做好了自己的规划。

参考链接：
[1]https://www.superclueai.com/
[2]https://mp.weixin.qq.com/s/3pfOKtG6ar2h2fR6Isv_Xw