大语言模型谁最会“睁眼说瞎话”？最新报告揭示答案

　　财联社8月18日讯（编辑 卞纯） 随着ChatGPT火爆全球，很多科技公司都相继推出了自己的大语言模型。大语言模型的应用范围非常广泛，可以为各种行业提供智能化解决方案，但有时这些大模型也会凭空捏造答案，这一点成为人们最大的担忧之一。

　　根据机器学习监控平台Arthur AI的研究人员周四发布的一份报告，在顶级AI模型中，Cohere的大语言模型最能“说瞎话”，并且“能够自信地给出不正确的答案”。

　　

　　报告比较了OpenAI的GPT-4、Meta的Llama 2、Anthropic的Claude 2，以及Cohere的Command“产生幻觉”的能力。

　　Cohere是一家位于加拿大的初创公司，6月刚获2.7亿美元的融资，英伟达、甲骨文、Salesforce Ventures等公司参与投资。而Anthropic是一家美国创业公司，几天前刚获韩国SK电信的1亿美元融资，谷歌也是其投资人。

　　这两家公司均以OpenAI为主要竞争对手。

　　总体而言，OpenAI的GPT-4在所有测试模型中表现最好，研究人员发现，它的幻觉发生率比之前的版本GPT-3.5少——在数学问题上，它的幻觉发生率减少了33%到50%。

　　研究人员还发现，Meta的Llama 2比GPT-4和Anthropic的Claude 2更易产生幻觉。

　　在实验中，研究人员用组合数学、美国总统和摩洛哥政治领导人等不同类别的问题考察AI模型，“旨在包含导致大语言模型犯错的关键因素，需要它们对信息进行多个推理步骤。”

　　Arthur的联合创始人兼首席执行官Adam Wenchel表示，这是第一份“全面研究（AI模型）幻觉发生率的报告”。

　　报告发布之际，随着AI进入发展快车道，人们比以往任何时候都更关注AI系统产生的错误信息。

　　“AI幻觉”（hallucinations）指的是大型语言模型完全捏造信息，并表现得好像他们在滔滔不绝地讲事实。

　　举例来说，在谷歌 2 月份为巴德拍摄的宣传视频中，这个聊天机器人对詹姆斯?韦伯太空望远镜做出了不真实的陈述；今年6月，ChatGPT 在纽约联邦法院的一份文件中引用了“虚假”案例，涉案的纽约律师可能面临制裁。

　　其它能力对比

　　这份报告还对AI模型的其它“能力”进行了对比，发现OpenAI的GPT-4最擅长数学，Meta的Llama 2各方面能力较为中规中矩，Anthropic的Claude 2最擅长了解自身局限性。

　　在另一个实验中，研究人员还测试了AI模型会在多大程度上用警告短语来“对冲”它们给出的答案的风险，常见警告语包括“作为一个人工智能模型，我无法提供意见”。

　　研究人员发现，GPT-4比GPT-3.5的警告语相对增加了50%。而Cohere的AI模型在任何回应中都没有提供规避风险的警示语。相比之下，Anthropic的Claude-2在“自我意识”方面最可靠，即能够准确地判断自己知道什么、不知道什么，并且只回答有训练数据支持的问题。

　　举报/反馈