GPT-4重磅发布，你需要知道的10件事 @广告门

添加至收藏夹

新建收藏夹

完成

新建收藏夹

确定

取消

GPT-4重磅发布，你需要知道的10件事

作者：全元宇宙关注

2023-03-15 13:16 浏览 · 22619

微信扫一扫

新浪微博

QQ空间

本文由全元宇宙Allmetaverse主理人郑秋实出品

2023年3月14日，OpenAI正式发布全新大型多模态模型GPT-4。

OpenAI在以ChatGPT震撼全球的短短几个月之后，火速上线新一代里程碑GPT-4。相较于上一代的ChatGPT和GPT-3.5, GPT-4到底带来了哪些更新，本文将为你快速盘点：

1 ChatGPT已实装GPT4.0

ChatGPT与the new Bing目前已升级为GPT-4版，拥有ChatGPT或 new Bing账号的朋友们已经可以直接通过原账号试用GPT-4的强大功能了。与此同时，GPT-4已开放API接口，就是这么强大又不讲理：）

2 专业学术能力迭代

GPT-4在法律，微积分，化学，物理等学科的考试表现大规模提升，接近于人类top学生的考试表现。以模拟律师考试为例，GPT-4的分数在应试者中可以排到top10%，而上一代的GPT-3.5智能做到倒数10%。律师们大受震撼且开始Emo。

3 文本输入限制抬升

在文字输入方面，GPT-4做到了上一代ChatGPT 8倍的输入限制，来到了2.5万个词/次。按照这个态势推延，不久的将来，人类所有的独立书籍文本都可以一次作为prompt输入gpt，量子读论文现已实现，量子读书指日可待。

4 支持视觉图像输入

GPT-4已开始支持图像输入，此功能目前未向公众开放，官方只是放出了一些对话预览。

GPT-4 可以接受文本和图像提示，这与纯文本设置并行，允许用户指定任何视觉或语言任务。具体来说，它在给定由散布的文本和图像组成的输入的情况下生成文本输出（自然语言、代码等）。在一系列领域——包括带有文本和照片的文档、图表或屏幕截图——GPT-4 展示了与纯文本输入类似的功能。此外，它还可以通过为纯文本语言模型开发的测试时间技术得到增强，包括少量镜头和思维链提示。

5 回答准确性提高

经过6个月的强化学习，GPT-4在处理复杂和细微问题的能力要明显高于GPT3.5，更可靠，回答也更有创意。以主流的几个机器学习模型评估基准横向比对GPT-4与几个其他大模型不难看出，GPT-4在多学科专业问答，尝试推理，代码写作与算数等领域都是目前顶尖的大模型。

6 跨语种能力跃进

为了初步了解其他语言的能力，OpenAI使用 Azure Translate（参见附录）将 MMLU 基准——一套涵盖 57 个主题的 14,000 个多项选择题——翻译成多种语言。在测试的 26 种语言中的 24 种中，GPT-4 优于 GPT-3.5 和其他 LLM（Chinchilla、PaLM）的英语语言性能，包括拉脱维亚语、威尔士语和斯瓦希里语等低资源语言，可惜的官方公布的信息内未涉及对中文的测试。

7 可定制风格的GPT

OpenAI一直致力于优化ChatGPT的回答水平，包括风格上的可操作性。与具有固定冗长、语气和风格的经典 ChatGPT 个性不同，开发人员（以及很快的 ChatGPT 用户）现在可以通过在“系统”消息中描述这些方向来规定他们的 AI 的风格和任务。系统消息允许 API 用户在一定范围内显着定制他们的用户体验。

8 GPT-4的限制

OpenAI坦诚地阐述了GPT-4目前的局限性，其回答仍然不可能做到100%可靠，有幻觉，出现推理错误仍然是常见的，特别是用户问的问题过于小众，完全不在数据库之内的话。GPT-4的数据库仅更新至2021年9月，之后发生的事件GPT-4并不了解，自然也不能帮你预测明天的股价（感觉这是最热门的问题）。

9 风险更可控的GPT

与 GPT-3.5 相比，GPT-4模型对不允许内容的请求的响应倾向降低了 82%，而对敏感请求（如医疗建议和自我伤害）的响应符合政策的频率提高了 29%。OpenAI聘请了超过50位人工智能安全领域专家来对GPT-4进行对抗性测试，以保障用户使用的安全性，让我们为这份努力点赞，毕竟谁都不希望GPT-4给犯罪份子出谋划策，或对判断能力不足的未成年群体产生负面诱导。

10 可预测扩展

GPT-4 项目的一大重点是构建可预测扩展的深度学习堆栈。主要原因是，对于像 GPT-4 这样的非常大的训练运行，进行广泛的特定于模型的调整是不可行的。OpenAI开发的基础设施和优化在多个尺度上具有非常可预测的行为。为了验证这种可扩展性，OpenAI通过从使用相同方法训练但使用 10,000 倍更少计算的模型进行推断，准确预测了 GPT-4 在OpenAI内部代码库（不是训练集的一部分）上的最终损失。目前而言，这件事的核心价值在于后续降低对大模型进行训练的成本。