首頁

Partnered With:

OpenAI正式推出多模態GPT-4：準確性提高，支持微軟新款必應

閱讀本文需 24 分鐘

解讀OpenAI GPT-4的無敵與侷限性。

原文標題：《重磅突發！OpenAI 正式推出多模態 GPT-4 》

原文作者：OpenAI&TheVerge&Techcrunch

原文編譯：阿法兔

*本文 6000 字左右

亮點

GPT-4 可以接受圖像和文本輸入，而 GPT-3.5 只接受文本。

GPT-4 在各種專業和學術基準上的表現達到 "人類水平"。例如，它通過了模擬的律師考試，分數約爲應試者的前 10%。

OpenAI 花了 6 個月的時間，利用從對抗性測試項目以及 ChatGPT 中獲得的經驗，反覆調整 GPT-4，結果在事實性、可引導性和可控制方面取得了 "史上最佳結果"。

在簡單的聊天中，GPT-3.5 和 GPT-4 之間的區別可能微不足道，但是當任務的複雜性達到足夠的閾值時，區別就出來了，GPT-4 比 GPT-3.5 更可靠，更有創造力，能夠處理更細微的指令。

GPT-4 能對相對複雜的圖像進行說明和解釋，比如說，從插入 iPhone 的圖片中識別出一個 Lightning Cable 適配器（下文有圖片）。

圖像理解能力還沒有向所有 OpenAI 的客戶開發，OpenAI 正在與合作伙伴 Be My Eyes 進行測試。

OpenAI 承認，GPT-4 並不完美，仍然會對事實驗證的問題產生錯亂感，也會犯一些推理錯誤，偶爾過度自信。

開源 OpenAI Evals, 用於創建和運行評估 GPT-4 等模型的基準，同時逐個樣本檢查其性能。

官宣文檔

OpenAI 已經正式推出 GPT-4，這也是 OpenAI 在擴大深度學習方面的最新里程碑。GPT-4 是大型的多模態模型（能夠接受圖像和文本類型的輸入，給出文本輸出），儘管 GPT-4 在許多現實世界的場景中能力不如人類，但它可以在各種專業和學術基準上，表現出近似人類水平的性能。

例如：GPT-4 通過了模擬的律師考試，分數約爲全部應試者的前 10%。而相比之下，GPT-3.5 的分數大約是後 10%。我們團隊花了 6 個月的時間，利用我對抗性測試項目以及基於 ChatGPT 的相關經驗，反覆對 GPT-4 進行調整。結果是，GPT-4 在事實性（factuality）、可引導性（steerability）和拒絕超範圍解答（非合規）問題（refusing to go outside of guardrails.）方面取得了有史以來最好的結果（儘管它還不夠完美）

在過去兩年裏，我們重構了整個深度學習堆棧，並與 Azure 合作，爲工作負荷從頭開始，共同設計了一臺超級計算機。一年前，OpenAI 訓練了 GPT-3.5，作爲整個系統的首次 "試運行"，具體來說，我們發現並修復了一些錯誤，並改進了之前的理論基礎。因此，我們的 GPT-4 訓練、運行（自信地說：至少對我們來說是這樣！）空前穩定，成爲我們首個訓練性能可以進行提前準確預測的大模型。隨着我們繼續專注於可靠擴展，中級目標是磨方法，以幫助 OpenAI 能夠持續提前預測未來，並且爲未來做好準備，我們認爲這一點，對安全至關重要。

我們正在通過 ChatGPT 和 API（您可以加入 WaitList）發佈 GPT-4 的文本輸入功能，爲了能夠更大範圍地提供圖像輸入功能，我們正在與合作伙伴緊密合作，以形成一個不錯的開端。我們計劃開源 OpenAI Evals，也是我們自動評估 AI 模型性能的框架，任何人都可以提出我們模型中的不足之處，以幫助它的進一步的改進。

能力

在簡單閒聊時，也許不太好發現 GPT-3.5 和 GPT-4 之間的區別。但是，當任務的複雜性達到足夠的閾值時，它們的區別就出來了。具體來說，GPT-4 比 GPT-3.5 更可靠，更有創造力，能夠處理更細微的指令。

爲了理解這兩個模型之間的差異，我們在各種不同的基準上進行了測試，包括模擬最開始那些爲人類設計的考試。通過使用最新的公開測試（就奧數和 AP 等等考試）還包括購買 2022-2023 年版的練習考試來進行，我們沒有爲這類考試給模型做專門的培訓，當然，考試中存在很少的問題是模型在訓練過程中存在的，但我們認爲下列結果是有代表性的。

我們還在爲機器學習模型設計的傳統基準上，對 GPT-4 進行了評估。GPT-4 大大超過現有的大語言模型，與多數最先進的（SOTA）模型並駕齊驅，這些模型包括針對基準的製作或額外的訓練協議。

由於現有的大多數 ML 基準是用英語編寫的，爲了初步瞭解其他語言的能力，我們使用 Azure Translate 將 MMLU 基準：一套涵蓋 57 個主題的 14000 個選擇題，翻譯成了各種語言。在測試的 26 種語言中的 24 種語言中，GPT-4 的表現優於 GPT-3.5 和其他大模型（Chinchilla，PaLM）的英語表現，這種優秀表現還包括類似拉脫維亞語、威爾士語和斯瓦希里語等等。

我們一直在內部使用 GPT-4，發現它對支持、銷售、內容審覈和編程等功能會產生很大影響，我們還在用它來協助人類評估 AI 的輸出，這就是我們調整戰略的第二階段的開始。

視覺輸入

GPT-4 可以接受文本和圖像的提示語（prompt），這與純文本設置平行。比如說，可以讓用戶指定任何視覺或語言任務，它可以生成文本輸出（自然語言、代碼等），給定的輸入包括帶有文字和照片的文件、圖表或屏幕截圖，GPT-4 表現出與純文本輸入類似的能力。此外，還可以應用在爲純文本語言模型開發的測試時間技術，包括少數幾個鏡頭和 CoT 的 Prompting，不過目前圖像輸入仍然屬於研究方面預覽，沒有像 C 端公開產品。

下列圖片顯示了一個 "Lightning Cable "適配器的包裝，有三個面板。

面板 1：一個帶有 VGA 接口（通常用於電腦顯示器的大型藍色 15 針接口）的智能手機插在其充電端口。

面板 2："Lightning Cable "適配器的包裝上有一張 VGA 接口的圖片。

面板 3：VGA 連接器的特寫，末端是一個小的 Lightning 連接器（用於爲 iPhone 和其他蘋果設備充電）。

這張圖片的搞笑性質來自於將一個大的、過時的 VGA 連接器插入一個小的、現代的智能手機充電端口.. 因此看起來很荒謬

通過在一套狹窄的標準學術視覺基準上，對 GPT-4 的性能進行評估，並且對它進行預覽。然而，這些數字並不能代表其的能力範圍，因爲我們發現，這個模型能夠處理很多的新的和令人興奮的任務，OpenAI 計劃很快發佈進一步的分析和評估數字，以及對測試時間技術效果的徹底調查結果。

可控制的 AI

我們一直在努力實現關於定義 AI 行爲那篇文章中，所概述的計劃的每個方面，包括 AI 的可控制性。與經典的 ChatGPT 個性的固定言語、語氣和風格不同，開發者（很快就是所有的 ChatGPT 用戶）現在可以通過在 "系統 "消息中描述這些方向，來規定自己的 AI 的風格和任務。系統消息允許 API 用戶在範圍內，大幅對用戶體驗進行定製，我們將持續改進。

侷限性

儘管能力驚人，不過，GPT-4 仍存在與早期 GPT 模型類似的限制。最重要的是，它仍然不是完全可靠的（比如說，它會對事實產生 "幻覺"，並出現推理錯誤）。在使用語言模型的輸出時，特別是在高風險的情況下，應該非常小心謹慎，比如說：需要人類審查，完全避免高風險的使用）以及需要與特定的使用案例的需求相匹配。

儘管各類情況仍然存在，但相較於以前的模型（這些模型本身也在不斷改進），GPT-4 大大減少了 hallucinations（意思是網絡錯覺，這裏指的是一本正經的胡說八道）。在我們內部的對抗性事實性評估中，GPT-4 的得分比我們最新推出的 GPT-3.5 高 40%。

可控制的 AI

GPT-4 的基礎模型在這項任務中只比 GPT-3.5 略勝一籌；然而，在經過 RLHF 的後期訓練後（應用我們對 GPT-3.5 使用的相同過程），卻有很大差距。該模型在其輸出中會有各種偏差，我們在這些方面已經取得了進展，但仍有更多工作要做。根據我們最近的博文，我們的目標是使我們建立的人工智能系統具有合理的默認行爲，以反映廣泛的用戶價值觀，允許這些系統在廣泛的範圍內被定製，並獲得公衆對這些範圍的意見。

GPT-4 通常缺乏對其絕大部分數據截止後（2021 年 9 月）發生的事件的瞭解，也不會從其經驗中學習。它有時會犯一些簡單的推理錯誤，這似乎與這麼多領域的能力不相符，或者過於輕信用戶的明顯虛假陳述。有時它也會像人類一樣在困難的問題上失敗，例如在它產生的代碼中引入安全漏洞。GPT-4 也可能在預測中自信地犯錯。

風險和緩解措施

我們一直在對 GPT-4 進行迭代，使其從訓練開始就更加安全，保持一致性，我們所做的努力包括預訓練數據的選擇和過濾、評估，邀請專家參與，對模型安全改進、監測，以及執行。

GPT-4 與過去的模型會存在類似風險，如生產有害的建議、錯誤代碼或不準確的信息。然而，GPT-4 的額外能力還導致了新的風險面。爲了明確這些風險的具體情況，我們聘請了 50 多位來自人工智能對接風險、網絡安全、生物風險、信任和安全以及國際安全等領域的專家對該模型進行對抗性測試。他們的參與，使我們能夠測試模型在高風險領域的行爲，這些領域需要專業知識來評估。來自這些領域專家的反饋和數據，爲我們緩解和改進模型提供了依據。比如說，我們已經收集了額外的數據，以提高 GPT-4 拒絕有關如何合成危險化學品的請求的能力。

GPT-4 在 RLHF 訓練中加入了一個額外的安全獎勵信號，通過訓練模型來拒絕對此類內容的請求，從而減少有害產出（由我們的使用指南定義）。獎勵是由 GPT-4 的分類器提供的，它能夠判斷安全邊界和安全相關提示的完成方式。爲了防止模型拒絕有效的請求，我們從不同的來源（例如，標記的生產數據，人類的紅隊，模型生成的提示）收集多樣化的數據集，並在允許和不允許的類別上應用安全獎勵信號（存在正值或負值）。

與 GPT-3.5 相比，我們的緩解措施大大改善了 GPT-4 的許多安全性能。與 GPT-3.5 相比，我們將模型對非法內容的請求的響應傾向，降低了 82%，而 GPT-4 對敏感請求（如醫療建議和自我傷害）的響應符合我們的政策的頻率提高了 29%

總的來說，我們的模型級干預措施增加了誘發不良行爲的難度，但仍然存在 "越獄 "的情況，以產生違反我們使用指南的內容。隨着人工智能系統的風險的增加，在這些干預措施中實現極高的可靠性將變得至關重要。目前重要的是，用部署時間的安全技術來補充這些限制，如想辦法監測。

GPT-4 和後續模型，很有可能對社會產生正面或者負面的影響，我們正在與外部研究人員合作，以改善我們對潛在影響的理解和評估，以及建立對未來系統中可能出現的危險能力的評估。我們將很快分享我們對 GPT-4 和其他人工智能系統的潛在社會和經濟影響的更多思考。

訓練過程

和之前的 GPT 模型一樣，GPT-4 基礎模型的訓練是爲了預測文檔中的下一個單詞，並使用公開的數據（如互聯網數據）以及我們授權的數據進行訓練。這些數據是來自於極大規模的語料庫，包括數學問題的正確和錯誤的解決方案，弱的和強的推理，自相矛盾的和一致的聲明，以及種類繁多的意識形態和想法。

因此，當被提示有一個問題時，基礎模型可以以各種各樣的方式作出反應，而這些反應可能與用戶的意圖相去甚遠。爲了使其與用戶的意圖保持一致，我們使用人類反饋的強化學習（RLHF）對模型的行爲進行微調。

注意，模型的能力似乎主要來自於預訓練過程，RLHF 並不能提高考試成績（如果不主動努力，它實際上會降低考試成績）。但是對模型的引導來自於訓練後的過程--基礎模型需要及時的工程，甚至知道它應該回答問題。

可預測的擴展

GPT-4 項目的一大重點是建立一個可預測擴展的深度學習棧。主要原因是，對於像 GPT-4 這樣非常大的訓練運行，做大量的特定模型調整是不可行的。我們對基礎設施進行了開發和優化，在多種規模下都有非常可預測的行爲。爲了驗證這種可擴展性，我們提前準確地預測了 GPT-4 在我們內部代碼庫（不屬於訓練集）中的最終損失，方法是通過使用相同的方法訓練的模型進行推斷，但使用的計算量要少 10000 倍。

我們認爲，準確預測未來的機器學習能力是安全的一個重要部分，相對於其潛在的影響，它沒有得到足夠的重視（儘管我們已經被幾個機構的努力所鼓舞）。我們正在擴大我們的努力，開發一些方法，爲社會提供更好的指導，讓人們瞭解對未來系統的期望，我們希望這成爲該領域的一個共同目標。

開放式人工智能評估

我們正在開源 OpenAI Evals，這是我們的軟件框架，用於創建和運行評估 GPT-4 等模型的基準，同時逐個樣本檢查其性能。我們使用 Evals 來指導我們模型的開發（包括識別缺點和防止退步），我們的用戶可以應用它來跟蹤不同模型版本（現在將定期推出）和不斷髮展的產品集成的性能。例如，Stripe 已經使用 Evals 來補充他們的人工評估，以衡量他們的 GPT 驅動的文檔工具的準確性。

因爲代碼都是開源的，Evals 支持編寫新的類來實現自定義的評估邏輯。然而，根據我們自己的經驗，許多基準都遵循一些 "模板 "中的一個，所以我們也包括了內部最有用的模板（包括一個 "模型分級 Evals "的模板--我們發現 GPT-4 有令人驚訝的能力來檢查自己的工作）。一般來說，建立一個新的評估的最有效方法是將這些模板中的一個實例化，並提供數據。我們很高興看到其他人能用這些模板和 Evals 更廣泛地建立什麼。

我們希望 Evals 成爲一個分享和衆包基準的工具，最大限度地代表廣泛的故障模式和困難任務。作爲後續的例子，我們已經創建了一個邏輯謎題評估，其中包含 GPT-4 失敗的十個提示。Evals 也與實現現有的基準兼容；我們已經包括了幾個實現學術基準的筆記本和一些整合 CoQA（小的子集）的變化作爲例子。

我們邀請大家使用 Evals 來測試我們的模型，並提交最有趣的例子。我們相信 Evals 將成爲使用和建立在我們的模型之上的過程中不可或缺的一部分，我們歡迎直接貢獻、問題和反饋。