GPT-4来了，支持多模态，全面吊打ChatGPT，“完虐”标准化考试

　　智东西3月15日消息，今日凌晨，万众瞩目的大型多模态模型GPT-4正式发布！

　　OpenAI发文称，GPT-4能接受图像和文本输入，输出文本内容，虽然在许多现实场景中的能力不如人类，但在各种专业和学术基准测试中已做到人类水平的表现。

　　它强大到什么程度呢？输入一张手绘草图，GPT-4能直接生成最终设计的网页代码。

　　它以高分通过各种标准化考试：SAT拿下700分，GRE几乎满分，逻辑能力吊打GPT-3.5。

　　GPT-4在高级推理能力上超越ChatGPT。在律师模拟考试中，ChatGPT背后的GPT-3.5排名在倒数10%左右，而GPT-4考到了前10%左右。

　　GPT-4的长度限制提升到32K tokens，即能处理超过25000个单词的文本，并且可以使用长格式内容创建、扩展对话、文档搜索和分析等。

　　OpenAI还贴心地发布了GPT-4开发者视频，手把手教你生成代码、检查错误信息、报税等。在视频中，OpenAI联合创始人兼总裁Greg Brockman说了句有点扎心的话：“它并不完美，但你也一样。”

　　OpenAI正通过ChatGPT和API发布GPT-4的文本输入功能，图像输入功能暂未开放。ChatGPT plus订阅者可直接获得有使用上限的GPT-4的试用权，4小时内最多只能发布100条信息。开发者也可以申请GPT-4 API，进入候补名单等待通过。

　　随着时间的推移，OpenAI会将其自动更新为推荐的稳定模型（你可以通过调用gpt-4-0314来锁定当前版本，OpenAI将支持到6月14日）。定价是每1k prompt tokens 0.03美元，每1k completion tokens 0.06美元。默认速率限制是每分钟40k tokens和每分钟200个请求。

　　gpt-4的上下文长度为8192个tokens。还提供对32768个上下文（约50页文本）版本gpt-4-32k的有限访问，该版本也将随着时间的推移自动更新（当前版本gpt-4-32k-0314，也将支持到6月14日）。价格是每1k prompt tokens 0.06美元，每1K completion tokens 0.12美元。

　　此外，OpenAI还开源了用于自动评估AI模型性能的框架OpenAI Evals，以便开发者更好的评测模型的优缺点，从而指导团队进一步改进模型。

　　如果是随意聊天，你可能不太能感受出GPT-3.5与GPT-4之间的区别。但当任务的复杂性达到足够的阈值时，GPT-4将明显比GPT-3.5更可靠、更有创意，并且能够处理更细微的指令。

　　为了了解这两种模型之间的区别，OpenAI在各种基准测试中进行了测试，包括最初为人类设计的模拟考试。他们使用了最新的公开试题（在奥林匹克竞赛和AP自由答题的情况下）或购买 2022-2023年版的模拟考试题。

　　OpenAI没有针对这些考试进行专门训练。在模型训练期间，考试中的少数问题被发现。但OpenAI认为结果具有代表性。详情可参见GPT-4论文（https://cdn.openai.com/papers/gpt-4.pdf）。

　　OpenAI还在为机器学习模型设计的传统基准测试中评估了GPT-4。GPT-4大大优于现有的大型语言模型以及大多数最先进的（SOTA）模型，其中可能包括基准特定的制作或额外的训练协议：

　　许多现有的机器学习（ML）基准测试都是用英语编写的。为了初步了解它在其他语言中的性能，OpenAI使用Azure Translate将MMLU基准测试（一套涵盖57个主题的14000个多项选择题）翻译成各种语言。

　　在测试的26种语言中的24种中，GPT-4优于GPT-3.5和其他大型语言模型（Chinchilla，PaLM）的英语表现，包括拉脱维亚语、威尔士语、斯瓦希里语等资源匮乏的语言。

　　OpenAI也在内部使用GPT-4，这对支持、销售、内容审核和编程等功能有很大影响。OpenAI还使用它来协助人类评估AI输出，开始了其对齐策略的第二阶段。

　　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，给定由穿插的文本和图像组成的输入，它能够生成自然语言、代码等文本输出。在生成带有文本和照片的文档、图表或屏幕截图等方面，GPT-4展示了与纯文本输入类似的功能。

　　此外，GPT-4还可以使用为纯文本语言模型开发的测试时（test-time）技术进行增强，包括少量标注数据（few-shot）和思维链（CoF，chain-of-thought）提示。图像输入仍处于研究预览阶段，尚未公开。

　　OpenAI在官网展示了7个视觉输入的例子。

　　1、描述多张图片内容，发现不合常理之处

　　输入一张由三张图片拼成的图，用户输入“这张图有什么奇怪的地方？一张图一张图地描述”，GPT-4会分别对每张图中的内容进行描述，并指出这幅图把一个大而过时的VGA接口插入一个小而现代的智能手机充电端口是荒谬的。

　　2、根据图表，推理作答

　　用户问格鲁吉亚和西亚的平均每日肉类消费量总和是多少，让GPT-4在给答案前提供一个循序渐进的推理，GPT-4也能按需作答。

　　3、看图考试

　　用户也可以直接给一张考试题的照片，让GPT-4一步步思考作答。

　　4、简练指出图片的违和之处

　　用户问“这张图片有什么不寻常之处”时，GPT-4简练地回答出“一名男子正在行驶中的出租车车顶上在熨衣板上熨烫衣服”。

　　5、阅读论文，总结摘要与解释图表

　　给几张论文的照片，GPT-4可以做总结，也可以对用户指定的图片的内容进行展开解释。

　　6、解读“鸡块地图”

　　让GPT-4解释图中的模因（meme），GPT-4回答说这是个笑话，结合了太空中的地球照片和鸡块这两个不相关的东西。

　　7、理解漫画含义

　　最后一个示例是让GPT-4解释这张漫画，GPT-4认为它讽刺了统计学习和神经网络在提高模型性能方面的差异。

　　OpenAI通过在一套狭窄的标准学术视觉基准上评估GPT-4的性能来预览。但这些数字并不能完全代表它的能力，因为OpenAI不断发现该模型能够处理的新的和令人兴奋的任务。

　　OpenAI计划很快发布进一步的分析和评估数字，以及对测试时技术影响的彻底调查。

　　此外，OpenAI一直在研究其关于定义AI行为的文章中概述计划的各方面，包括可操纵性。与拥有固定冗长、语调、风格的ChatGPT不同，开发者（很快还有ChatGPT用户）现可通过在“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（system messages）允许API用户在一定范围内自定义用户体验。OpenAI将在这方面继续做改进（特别是知道系统消息是“越狱”当前模型的最简单方法，即对边界的遵守并不完美)，但OpenAI鼓励用户尝试一下，并将想法告知他们。

　　关于可操纵性，OpenAI展示了3个示例。

　　第一个示例是让GPT-4作为一位总是以苏格拉底风格回应的导师，不直接给学生求解某个线性方程组的答案，而是通过将那个问题拆分成更简单的部分，引导学生学会独立思考。

　　第二个示例是让GPT-4变成“莎士比亚的海盗”，忠于自己的个性，可以看到它在多轮对话过程中时刻保持着自己的“人设”。

　　第三个示例是让GPT-4成为一名AI助手，总是用json编写响应输出，然后GPT-4的回答画风就变成了这样：

　　OpenAI称其团队花了6个月的时间，使用对抗性测试程序和从ChatGPT得到的经验教训，对GPT-4进行迭代调整，在真实性、可控制性等方面取得了有史以来最好的结果（仍远非完美）。

　　过去两年里，OpenAI重建了整个深度学习堆栈，并与微软Azure云平台一起为其工作负载从头开始共同设计了一台超级计算机。

　　一年前，OpenAI训练GPT-3.5作为系统的第一次“试运行”，发现并修复了一些错误并改进了其理论基础。结果，GPT-4训练运行（至少对OpenAI而言）前所未有地稳定，成为OpenAI能够提前准确预测其训练性能的第一个大型模型。

　　随着继续专注于可靠的扩展，OpenAI的目标是完善其方法，以帮助自身越来越多地提前预测和准备未来的能力。OpenAI认为这对安全至关重要。

　　与以前的GPT模型一样，GPT-4基础模型经过训练可以预测文档中的下一个单词，并且使用公开可用的数据（例如互联网数据）以及OpenAI已获得许可的数据进行训练。这些数据是网络规模的数据语料库，包括数学问题的正确和错误解决方案、弱推理和强推理、自相矛盾和一致的陈述，并代表各种各样的意识形态和想法。

　　因此，当有问题提示时，基础模型能以多种方式进行响应，这些方式可能与用户意图相去甚远。为了使其与护栏（guardrails）内的用户意图保持一致，OpenAI使用人类反馈强化学习（RLHF）对模型行为进行微调。

　　需注意的是，模型的能力似乎主要来自预训练过程——RLHF并不会提高考试成绩（如果不积极努力，它实际上会降低考试成绩）。但是模型的控制来自训练后的过程——基础模型需要快速的工程设计来知道它应该回答问题。

　　尽管功能更加强大，但GPT-4与早期的GPT模型具有相似的局限性。

　　最重要的是，它仍然不完全可靠（存在事实性“幻觉”并出现推理错误）。在使用语言模型输出时应格外小心，特别是在高风险上下文中，使用符合特定用例需求的确切协议（例如人工审查、附加上下文的基础或完全避免高风险使用） 。

　　不过，GPT-4相对于以前的模型（它们本身在每次迭代中都在改进）显著减少了幻觉。在OpenAI的内部对抗性真实性评估中，GPT-4的得分比 GPT-3.5高40%。

　　OpenAI在TruthfulQA等外部基准测试上取得了进展，它测试了模型将事实与对抗性选择的一组错误陈述分开的能力。这些问题与事实不正确的答案相匹配，这些答案在统计上很有吸引力。

　　GPT-4基本模型在这项任务上只比GPT-3.5稍微好一点；但在RLHF训练（应用与GPT-3.5相同的过程）后，存在很大的差距。

　　检查下面的一些例子，GPT-4拒绝选择常见的谚语（你教不了老狗新技能，即“年老难学艺”），但它仍然会遗漏一些微妙的细节（埃尔维斯·普雷斯利不是演员之子）。

　　GPT-4的输出可能存在各种偏差，OpenAI还有更多工作要做。

　　GPT-4普遍缺乏对绝大部分数据中断后（2021年9月）发生的事件的了解，也没有从经验中吸取教训。它有时会犯一些简单的推理错误，这些错误似乎与跨多个领域的能力不相称，或者在接受用户明显的虚假陈述时过于轻信。

　　有时它会像人类一样在难题上失败，例如在它生成的代码中引入安全漏洞。

　　GPT-4也可能自信地在其预测中犯错，在可能出错时没有仔细检查工作。有趣的是，基础预训练模型经过高度校准（它对答案的预测置信度通常与正确概率相匹配）。然而，通过OpenAI目前的后训练过程，校准减少了。

　　OpenAI一直在对GPT-4进行迭代，以使其从训练开始就更安全、更一致。其工作包括预训练数据的选择和过滤、评估和专家参与、模型安全改进以及监控和执行。

　　GPT-4会带来与之前模型类似的风险，例如生成有害建议、错误代码或不准确信息。同时GPT-4的附加功能会带来新的风险面。

　　为了了解这些风险的程度，OpenAI聘请了50多位来自AI对齐风险、网络安全、生物风险、信任和安全以及国际安全等领域的专家来对模型进行对抗性测试。他们的发现使OpenAI能够在需要专业知识进行评估的高风险领域测试模型行为。这些专家的反馈和数据用于模型改进。

　　GPT-4在RLHF训练期间加入了一个额外的安全奖励信号，通过训练模型拒绝对此类内容的请求来减少有害输出。奖励由GPT-4零样本分类器提供，该分类器根据安全相关提示判断安全边界和完成方式。为了防止模型拒绝有效请求，OpenAI从各种来源收集了多样化的数据集，并在允许和不允许的类别上应用安全奖励信号（具有正值或负值）。

　　与GPT-3.5相比，其缓解措施显著改善了GPT-4的许多安全特性，已将模型响应禁止内容请求的可能性降低了82%，并且GPT-4根据OpenAI的政策响应敏感请求（如医疗建议和自我伤害）的频率提高了29%。

　　总的来说，OpenAI的模型级干预提高了引发不良行为的难度，但依然无法做到完全规避。OpenAI强调目前需用部署时安全技术（如监控滥用）来补充这些限制。

　　GPT-4和后续模型有可能以有益和有害的方式对社会产生重大影响。OpenAI正在与外部研究人员合作，以改进理解和评估潜在影响的方式，以及对未来系统中可能出现的危险功能进行评估，并将很快分享更多关于GPT-4和其他AI系统的潜在社会和经济影响的想法。

　　06.构建可预测扩展的深度学习堆栈

　　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计算量减少到原来的1/10000的模型进行推断，准确预测了GPT-4在其内部代码库（不属于训练集）上的最终损失：

　　现在OpenAI可以准确地预测其在训练期间优化的指标（损失），开始开发方法来预测更多可解释的指标，例如成功预测了HumanEval数据集子集的通过率，从计算量减少至原来的1/1000的模型推断：

　　有些能力仍难以预测。例如Inverse Scaling Prize是一项竞赛，目的是寻找随着模型计算量的增加而变得更糟的度量指标，而hindsight neglect是获胜者之一。就像最近的另一个结果一样，GPT-4 扭转了趋势：

　　OpenAI认为，准确预测未来的机器学习能力是安全的重要组成部分，但相对于其潜在影响而言，它并没有得到足够的重视。OpenAI正在加大力度开发方法，为社会提供更好的未来系统预期指导，并希望这成为该领域的共同目标。

　　OpenAI正在开源其软件框架OpenAI Evals，用于创建和运行基准测试以评估GPT-4等模型，同时逐个样本地检查它们的性能。

　　OpenAI使用Evals来指导其模型的开发，其用户可以应用该框架来跟踪模型版本（现在将定期发布）的性能和不断发展的产品集成。例如Stripe 使用Evals来补充他们的人工评估，以衡量其基于GPT的文档工具的准确性。

　　因为代码都是开源的，所以Evals支持编写新的类来实现自定义评估逻辑。但根据OpenAI的经验，许多基准测试都遵循少数“模板”之一，所以他们也囊括了内部最有用的模板（包括“模型分级评估”的模板——OpenAI发现GPT-4在检查自己的工作方面惊人地强大）。通常构建新eval最有效的方法是实例化这些模板之一，并提供数据。

　　OpenAI希望Evals成为一种共享和众包基准测试的工具，代表最广泛的故障模式和困难任务。作为示例，OpenAI创建了一个逻辑难题eval，其中包含十个GPT-4失败的提示。Evals也兼容现有的基准测试；OpenAI已有一些实现学术基准的笔记本和一些集成CoQA（小子集）的变体作示例。

　　OpenAI邀请每个人都使用Evals来测试其模型，提交最有趣的示例，给与贡献、问题和反馈。

　　GPT-4是OpenAI在扩展深度学习道路上的最碑。OpenAI期待GPT-4成为一个有价值的工具，通过为许多应用提供动力来改善生活。

　　正如OpenAI所言，前方还有很多工作要做，这需要通过社区在模型之上构建、探索和贡献的集体努力，来持续将模型变得越来越强。