新智元报谈威尼斯人真人百家乐

裁剪：山令 alan

【新智元导读】谷歌发布Gemini以后，一直声称Gemini Pro要优于GPT-3.5，而CMU的洽商东谈主员通过我方实测，给各人来了一个客不雅中立第三方的对比。成果却是GPT-3.5险些照旧全面优于Gemini Pro，不外两边差距不大。

谷歌最近发布的Gemini掀翻了不小的海潮。

毕竟，大言语模子规模险些是OpenAI的GPT一家独大的风物。

不外算作吃瓜各人，天然但愿科技公司皆卷起来，大模子皆打起来！

是以，算作科技巨无霸谷歌的亲犬子，Gemini天然承受了很高的期待。

固然Gemini发布之后发生了一些奇奇怪怪的事情吧，什么视频作秀啦，以为我方是文心一言啦。

不外问题不大，我们不看告白看疗效。

最近在CMU，洽商东谈主员进行了一组公道、真切和可肖似的实验测试， 要点比较了Gemini和GPT在各项任务中的优劣，另外还加入了开源的竞争敌手Mixtral。

论文地址：https://arxiv.org/abs/2312.11444

代码地址：https://github.com/neulab/gemini-benchmark

洽商东谈主员在论文中对Google Gemini的言语才气进行了真切地探索，

从第三方的角度，对OpenAI GPT和Google Gemini模子的才气进行了客不雅比较，公开了代码和比较成果。

我们不错从中发现两个模子分袂擅长的规模。

洽商东谈主员比较了6种不同任务的准确性：

- 基于学问的QA（MMLU） - 推理（BIG-Bench Hard） - 数学（GSM8k、SVAMP、ASDIV、MAWPS） - 代码生成（HumanEval，ODEX） - 翻译 （FLORES） - Web指示追踪（WebArena）

为了公道起见，实验中尝试抵制统统变量，对统统模子使用换取的辅导、生成参数和评估。

评测中使用了LiteLLM以长入的状貌查询模子，使用try_zeno作念全面真切的分析。

测试模子

洽商比较了Gemini Pro、GPT-3.5 Turbo、GPT-4 Turbo以及Mixtral，指出了他们在才气上的不同。

秉性：Gemini Pro是多模态的，通过视频、文本和图像进行考验。GPT-3.5 Turbo和GPT-4 Turbo则主要基于文本考验，其中GPT-4 Turbo是多模态的。

测试复现方法

更便捷的复现方法：点击下文测试任务的蚁合即可干涉CMU集成好的基于Zeno的AI评估平台进行考证

GitHub蚁合：

https://github.com/neulab/gemini-benchmark]

具体测试任务

基于学问的问答（Knowledge-based QA）

基于UC伯克利2020年提议的MMLU（Massive Multitask Language Understanding）大模子评测进行评测

该测试涵盖57项任务，包括初等数学、好意思国历史、筹谋机科学、法律等。任务涵盖的学问很平素，言语是英文，用以评测大模子基本的学问掩盖鸿沟和交融才气。

用5-shot和念念维链辅导词的MMLU任务总体准确率如下图，Gemini Pro均稍微过期GPT-3.5 Turbo

著述也指出使用念念维链辅导的性能相反不大，可能是因为 MMLU 主如果基于学问的问答任务，可能不会从更强的面向推理的辅导中显明受益。

下图显露Gemini-pro、gpt3.5-turbo、gpt-4-turbo关于多选题谜底输出的比例，成果显露Gemini-pro、gpt3.5-turbo皆有一些谜底偏见，尤其Gemini-pro十分偏向D选项

标明 Gemini 尚未针对搞定多选题问题，进行多数指示调度，这可能导致模子在谜底排序方面存在偏差

MMLU的57个子任务中只好两项Gemini-pro卓绝GPT3.5-turbo。

下图显露gpt3.5最最初Gemini-pro的前四个任务的准确性，和Gemini-pro卓绝gpt3.5的两个任务

通用推理(General-purpose Reasoning)

基于BBH（BIG-Bench Harch）这一通用推理数据集进行测试，其中包括算术、标志和多言语推理以及事实仅仅理奉命务。

起原，从如下总体精度图中不错看到Gemini Pro完了的精度略低于GPT 3.5 Turbo，而且远低于GPT 4 Turbo。比较之下，Mixtral 模子的精度要低得多。

接下来进行一些细节分析， 起原左证问题的长度测试一下准确性，成果如下图。

作家发现Gemini Pro在更长、更复杂的问题上施展欠安，而GPT模子对此更庄重。

GPT-4 Turbo的情况尤其如斯，即使在较长的问题上，它也险些莫得施展出性能下落，这标明它具有广泛才气来交融更长和更复杂的查询。

GPT-3.5 Turbo的庄重性处于中间位置。Mixtral在问题长度方面终点踏实，但总体准确率较低。

李石曾的父亲是晚清军机大臣李鸿藻。1902年，他被选为清政府驻法大使孙宝琦的随员赴法国学习。

下图再具体列出了GPT-3.5 Turbo施展优于Gemini Pro最多的任务。

Gemini Pro在tracking_shuffled_objects任务上施展很倒霉

在某些任务中，即multistep_arithmetic_two、salient_translation_error_detection、snarks、disambiguition_qa和两个tracking_shuffled_objects任务中，Gemini Pro的施展致使比Mixtral模子还要差。

天然，有一些任务Gemini Pro优于GPT3.5。

下图显露了 Gemini Pro 比 GPT 3.5 Turbo 施展优秀的六项任务。这些任务需要宇宙学问（sports_understanding）、操作标志堆栈（dyck_languages）、按字母礼貌排序单词（word_sorting）妥协析表（penguins_in_a_table）等。

著述在此部分终末示意，关于通用推理任务，似乎莫得Gemini和GPT皆莫得完满上风，是以不错皆尝试一下

数学问题

基于四个数学欺骗题评测进行：

- GSM8K，小学数学基准

- SVAMP 数据集，通过不同的词序生成问题来查验庄重的推理才气，

- ASDIV 数据集，具有不同的言语花式和问题类型

- MAWPS 基准，由算术和代数欺骗题构成。

下图显露四项数学推理任务的总体准确性

从图中不错看出，在 GSM8K、SVAMP 和 ASDIV 任务上，Gemini Pro的精度略低于 GPT-3.5 Turbo，而且远低于 GPT-4 Turbo，这些任务皆包含千般化的言语花式。

关于 MAWPS 任务，统统模子皆达到了 90% 以上的准确率，尽管 Gemini Pro 仍然比GPT模子稍差。

真谛的是，在此任务中，GPT-3.5 Turbo的施展以微小上风胜过GPT-4 Turbo。

比较之下，Mixtral模子的准确率比其他模子要低得多。

和之前在BBH上的推理任务相似，我们不错看到较长任务推感性能会下落。

而且和畴昔相似，GPT 3.5 Turbo 在较短的问题上优于 Gemini Pro，但下落得更快，Gemini Pro 在较长的问题上完了了类似（但仍稍差）的准确度。

不外在念念维链（CoT）长度卓绝100的最复杂例子中，Gemini Pro优于GPT 3.5 Turbo，但在较短示例中施展欠安。

终末，著述洽商了比较模子在生成不同位数谜底时的准确性。

左证谜底中的位数创建三个类别，一位数、两位数、三位数谜底（MAWPS 任务之外，其谜底不卓绝两位数）。

如下图所示，GPT-3.5 Turbo似乎关于多位数数学问题愈加庄重，而Gemini Pro在位数较多的问题上性能下落更多。

代码生成

在此类别中，著述使用两个代码生成数据集HumanEval和ODEX查验模子的编码才气。

前者测试对Python轨范库中一组有限函数的基本代码交融。

后者测试使用统统这个词Python生态系统中更平素的库的才气。

它们皆将东谈主工编写的英语任务描写（频繁带有测试用例）算作输入。这些问题用来评估对言语、算法和初等数学的交融。

总体而言，HumanEval有164个测试样本，ODEX有439个测试样本。

代码生成的总体情况如下图：

Gemini Pro在两项任务上的Pass@1 收成皆低于GPT-3.5 Turbo，远低于GPT-4 Turbo。

接下来，分析最好搞定决策长度与模子性能之前的考虑，因为搞定决策长度不错一定进度上标明相应代码生成的任务的难度。

本文发现，当搞定决策长度低于100（即代表处理浅易问题）时，Gemini Pro 不错达到与 GPT-3.5 特殊的 Pass@1，但当搞定决策变得更长（即处理更难的问题时）时，它会大幅过期。

著述还分析了每个搞定决策所需的库怎么影响模子性能，成果如下图显露：

皇冠体育

左证成果分析，在大多数使用库的情况下，举例mock、pandas、numpy和datetime，Gemini Pro的施展比GPT-3.5差。

然则，它在 matplotlib 情况下优于 GPT-3.5 和 GPT-4，在通过代码实行绘制可视化时显露出更强的功能。

底下展示几个具体的失败案例：

起原， Gemini在从Python API中正确摄取函数和参数方面稍差一些

比如，当你给出如下指示时

def f_3283984():\"\"\"decode a hex string '4a4b4c' to UTF-8.\"\"\"

Gemini Pro 生成以下代码，导致类型不匹配罪状。

bytes(bytearray.fromhex('4a4b4c'), 'utf-8')

比较之下，GPT 3.5 Turbo 使用以下代码，达到了预期的成果：

hex_string = '4a4b4c'decoded_string = bytes.fromhex(hex_string).decode('utf-8')return decoded_string

此外，Gemini Pro的罪状比例较高，所完了的代码在语法上是正确的，但与复杂的意图不正确匹配。

举例，关于以下指示

from typing import Listdef remove_duplicates(numbers: List[int]) -> List[int]:\"\"\"From a list of integers, remove all elements that occur more than once.Keep order of elements left the same as in the input.>>> remove_duplicates([1, 2, 3, 2, 4])[1, 3, 4]

Gemini Pro 给的代码，只索求独一的数字，而不删除那些出现屡次的数字。

seen_numbers = set()unique_numbers = []for number in numbers:if number not in seen_numbers:unique_numbers.append(number)seen_numbers.add(number)return unique_numbers

机器翻译（Machine Translation）

基于FLORES-200 机器翻译基准评估模子的多言语才气，终点是在千般言语对之间翻译的才气。

针对统统采取的言语对，对测试集中的1012个句子进行评估。算作这项洽商的第一步，本文将鸿沟适度为仅从英语到其他言语（ENG→X）的翻译。

成果显露如下图，Gemini Pro在翻译任务上，总体优于其他模子，在 20 种言语中的 8 种言语上均优于 GPT-3.5 Turbo 和 GPT-4 Turbo，并在4种言语上获取了最高性能。

固然在非英语言语翻译方面尚未超越专用机器翻译系统，但通用言语模子也显露出了强竞争力的性能

零样本辅导和5样本辅导Gemini Pro在翻译任务上均优于其他模子

网页代理（Web Agents）

终末，本文考证每个模子充任相聚导航代理（web navigation agent）的才气，这是一项需要长期野心和复杂数据交融的任务。

使用 WebArena ，这是一个基于敕令实行的模拟环境，其中顺利轨范基于实行成果。分拨给代理的任务包括信息查找、站点导航以及推行和设置操作。

这些任务跳跃千般网站，包括电子商务平台、外交论坛、相助软件竖立平台（举例 gitlab）、推行不休系统和在线舆图。

如下图著述从总体成果不错看出，Gemini-Pro 的性能与 GPT-3.5-Turbo 特殊，但稍差。

与 GPT-3.5-Turbo 类似，当Prompts提到任务可能无法完成时（UA 辅导），Gemini-Pro 的施展会更好。通过 UA 辅导，Gemini-Pro 的总体顺利率达到 7.09%。

之后著述又按影相聚进行细分，如下图，不错看到 Gemini-Pro 在 gitlab 和舆图上的施展比 GPT-3.5-Turbo 差，而在购物不休、reddit 和 Shopping 上则接近 GPT-3.5-Turbo 。它在多站点任务上的施展比 GPT-3.5-Turbo 更好。

测试成果总览

在本文中，作家对 Google 的 Gemini 模子进行了第一次公道、真切的洽商，并将其与 OpenAI 的 GPT 3.5 和 4 模子以及开源 Mixtral 模子进行了比较。

在终末，作家叠了一些甲：

指出他们责任是针对赓续变化且不踏实的API，统统成果均为抵制 2023 年 12 月 19 日撰写本文时的最新成果，但跟着模子和周围系统的升级，改日可能会发生变化。

成果可能取决于其摄取的特定辅导和生成参数

作家测试时莫得像谷歌真谛使用多个样本和自我一致性（self-consistency），不外作家以为对不同模子使用一致的prompts的多项任务上进行的测试，刚巧不错合理地展示被测模子的庄重性和广义指示的征服才气

作家指出数据流露对现时大模子评测任务的困扰，固然他们莫得明确测量这种流露，但他们也尝试过千般方法来缓解这个问题

在瞻望中，作家也提议建议，但愿各人在使用Gemini Pro之前，左证这篇论文，我方评估Gemini Pro是否如宣传所说与GPT 3.5 Turbo相比好意思。作家也示意Gemini的Ultra版块尚未发布，等其发布后也会考证其是否如报谈所说与GPT4特殊。

参考府上：

https://arxiv.org/abs/2312.11444