声明:本文来自于微信公众号CSDN(ID:CSDNnews),授权Soraor转载发布。

「9.11和9.9,哪个大?」

对于不少习惯了更新软件版本号的程序员而言,不少人的第一反应就是:当然是9.11大。但是如果没有限定场景,只是单纯地提出上面这个问题时,结果必然是相反的。

没想到,将这个问题抛给前能答疑解惑、后能挑战各种高数难题的 AI 大模型时,各种“翻车”情况也随之出现了。

国外大模型:9.11vs9.9,哪个大?

具体的事情要从一位名为 Riley Goodside 工程师的推文谈起。

值得一提的是,Riley Goodside 是 AI 数据标注赛道“独角兽”Scale AI 公司的一名 staff prompt engineer,这个岗位的职责具体是指在生成式 AI 和自然语言处理领域内,专门设计和优化提示(prompt)的人。这个角色要求深入理解如何构建有效的 Prompt,以引导 AI 模型生成所需的输出。

几个小时前,Riley Goodside 连发几条推文分享了自己的一些发现,即用「9.11and9.9- which is bigger?」为 Prompt 输入给各家大模型时,如当前业界公认最先进模型之一的 ChatGPT4o 的输出是:

9.11比9.9大。

image

再来看看 Gemini Advanced 的表现,同样“翻车”:

9.11>9.9

image

虽然 Claude3.5Sonnet 最终也未能逃过这个模糊问题带来的“坑”,但是其给出的解释中,一度就要回答正确了,其写道:

“两个数字中的整数部分(9)都是相同的,所以我们需要比较小数部分。

在9.11中,十分位是1/10(或0.1)。在9.9中,十分位是9/10(或0.9)。

由于9/10大于1/10,乍看之下可能觉得9.9更大。”

没想到接下来画风急转,Claude3.5Sonnet 有似是有理有据地说:

但是,我们还需要考虑百分位。

9.9可以写成9.90以显示百分位。

现在我们可以清楚地看到9.11大于9.90(或9.9),因为在百分位上,1大于0。

因此,9.11是较大的数。

最终在正确的答案上渐行渐远:

image

这个简单的问题也让不少人联想到前几天国内关于《歌手2024》「终极袭榜赛」竞演结果的排名。

image

当时有不少网友就13.8%和13.11%哪个大的问题争论了起来。

image

在纠正不了「某些已形成思维定式」的用户想法之后,甚至有人搬出了教材给出解释,“在最新人教版小学四年级数学下册课本中,我们可以找到相关知识点:比较两个小数的大小,先看它们的整数部分,整数部分大的那个数就大;整数部分相同的,十分位上的数大的那个数就大;十分位上的数也相同的,百分位上的数大的那个数就大..."

在今天 Riley Goodside 分享 AI 大模型回答这一问题的表现时,来自 Google 前工程师、Allen AI 研究员 Bill Yuchen Lin 也将比较的数值换成了13.11和13.8,再次问及大模型,没想到答案还是出错了。

其评价道,「数学奥林匹克竞赛对人工智能来说更容易,但常识仍然很难。」

image

同时,他还表示,“这种常识性 AI 失败案例,让我不禁想起@YejinChoinka的 TED 演讲:《为什么 AI 既聪明得令人难以置信,又愚蠢得令人震惊》(https://www.ted.com/talks/yejinchoiwhyaiisincrediblysmartandshockingly_stupid)”。

换个 Prompt,答案会不会不一样?

不过,也有人质疑作为 Prompt 工程师的Riley Goodside 的提问方式,“它(大模型)对词序敏感![我相信你也知道]如果你把数字放在问题后面,他们就会答对[google 和 openai,anthropic 则不然]。你使用斜线也是有意混淆视听吗?”

image

对此,Riley Goodside 给出自己的解释:

澄清一下:我并不是说无论如何提示,任何 LLM 都会始终如一地认为9.11>9.9。我是说,如果你以这种特定方式给出 Prompt,许多领先的模型都会告诉你9.11>9.9,这就很奇怪了。如果你想重现,请粘贴文本中的 Prompt(9.11and9.9- which is bigger?)。

为了复现这个问题,数字确实需要放在问题前面。但以下内容似乎都无关紧要:

  • 标点符号(破折号/逗号/无标点)

  • 连词(和/或/对比)

  • 比较词(更大/更大/更大)

  • 说明这些是实数

针对质疑,也有好奇的用户尝试了去掉了问题中间的”-“符号,结果还是如此:

image

我们换了种提问方式,即使明确这是数值了,ChatGPT4o 还是坚定的表示:9.11比9.9要大!

image

延着这个问题,当有网友进一步提问时,更为离谱的事情发生了:当让这两个数值相减时,ChatGPT4o 直接用9.11的百分位中的1减去9.9百分位上的0;又用9.11十分位上的1减去9.9十分位上的9,最终不够减之后,向前借一位又忽略了这一点,得到了0.21的错误结果。

image

如今看来,对大模型提出哪个数字更大问题时,它们将数值分成了两个部分,9.11和9.9的整数、小数分别做了比较,整数部分为9对比完之后,再将小数部分的十分位、百分位整体做了比较,其认为11>9,进而给出了9.11>9.9的结果。

国产大模型实测

那么在这个简单的问题上,国产大模型的表现力又如何呢?

先来看看阿里的通义千问的。它不仅给出了详细的解释,而且结果也是正确的。

image

百度文心一言同样正确:

image

腾讯元宝:

image

昆仑万维的天工在开启了全网搜索后,给出了简洁的正确答案:

image

科大讯飞的星火大模型:

image

360智脑在回答这一问题时同样触发了联网搜索功能,好在给出了正确的答案:

image

百川智能的回答同样没有问题:

image

不过实测过程中,也有些起初错误,但是用同样问题问第二遍时又有了改正:

image

遗憾的是,也有一些模型还存在问题:

image

争论依然存在

不仅如此,有网友在实测负数时,GPT 们依然也被绕晕了:

image

还有网友在测评9.11美元和9.9美元时评价道:

大型语言模型(LLM)为什么在基础数学上失败,却仍然能通过许多学术考试?

非常有趣的是,它并不理解小数的基本概念。认为11比9大,所以9.11>9.9。

但是,当它开始进一步解释为什么9.11>9.9时,它又将数字转换为文本,并且有大量的数据表明90美分比11美分大,所以它不断纠正自己。

从大型语言数据库进行统计推断并不是推理机器?我猜测即使增加数据和计算量,LLM 模型也不会达到人类水平的推理能力。它们需要发现更好的算法来复制人类的智能。

image

至于为什么仅是比较数值时出错,不少人猜测,这似乎与语序有很大关系。

大模型如今在基础能力方面的表现,也不禁让人想到就在几天前,Google DeepMind CEO Demis Hassabis 在公开场合表示,“当前的 AI 在智力方面与猫的水平相当,甚至还不如普通家猫”,这无疑给许多期待 AGI(通用人工智能)即将到来的人泼了一盆凉水。

来源:

https://x.com/goodside/status/1812990703473172813