重回第一！OpenAI升级GPT-4-Turbo到2024-04-09版本，推理和数学能力大幅提高，基准测试最高提升近20%！...

本文原文来自DataLearnerAI官方网站：

https://www.datalearner.com/blog/1051712888127681

OpenAI的GPT-4一直是全球最强的大语言模型。但是在最近的一系列新模型对比中，已经有一些模型在某些领域被认为已经接近或者超过GPT-4了。而在前几天，OpenAI更新了一个新版本的GPT-4，是GPT-4-Turbo-2024-04-09，官方说该版本的GPT在推理和数学能力上有明显提升，而实测结果也很不错。在基准测试评测中，最高有19%的提升幅度！在GPT-4这样强的模型上有这样的提升幅度，十分不错！

• GPT-4-Turbo-2024-04-09版本简要说明

• GPT-4-Turbo-2024-04-09基准测试结果

• GPT-4-Turbo-2024-04-09网友实测

  • OpenAI官方自己实测：不再那么啰嗦

  • 新版GPT-4的超长上下文能力更强

  • 新版本的GPT-4不那么啰嗦

  • LiveCodeBench评测结果大幅提升

• 新版GPT-4在大模型匿名竞技场重回第一！

• GPT-4-Turbo-2024-04-09利用了Q*技术

GPT-4-Turbo-2024-04-09版本简要说明

这个GPT-4-Turbo版本相比此前的模型，只是更新了版本号，在最开始的时候，OpenAI只说明了他们发布了这样一个新版的GPT-4-Turbo模型，该模型有2个重要的更新：

1. 基础的数学和推理能力大幅提高

2. 这个模型可以接受文本和图像两类输入

这个模型刚发布的时候，官方只说了性能大幅提升以及可以接受图像输入，并没有具体说明情况。连OpenAI的联合创始人Greg Brockman也说这个模型有很大提升，但是就是不公布具体提升内容。也导致了很多人的不满。最后OpenAI才说提升了数学和推理能力。

另外需要注意的是，GPT-4-Turbo-2024-04-09模型的训练数据已经更新到2023年11月份。

GPT-4-Turbo-2024-04-09基准测试结果

从前面的图我们也可以看到，综合理解能力MMLU和代码能力HumanEval几乎不变，但是数学推理都有大幅提高。

而OpenAI官方还有更加详细的数据统计，按照统计，结果如下：

注意，这些都是使用最简单的Prompt进行测试的结果，也是OpenAI自己发布的最新测试结果。从这个评测看，在数学图例方面，gpt-4-turbo-2024-04-09版本的模型都有不同程度的提高，最高可以提升19%！要知道GPT-4本身已经十分强大，这个提升幅度，在不变更版本号的前提下十分难得。而综合理解和代码能力就提升不明显。

GPT-4-Turbo-2024-04-09网友实测

其实一开始，官方只说GPT-4-Turbo-2024-04-09模型有提升，并没有其它说明。很多网友都质疑说为什么连具体提升的说明都没有。而Greg Brockman解释希望大家自己发现。可能是OpenAI官方觉得自己只要说一下就能引起广泛关注和讨论，所以一开始透露很少。

而发现大家似乎目光没有那么“聚焦”之后，OpenAI官方开始有了更多详细说明。上面测试数据就是官方发布的结果。下面是DataLearnerAI收集的实测结果。

OpenAI官方自己实测：不再那么啰嗦

官方给了一个实例，说明最新的GPT-4对话能力更强，也不那么啰嗦。例如，让GPT写一个短信邀请朋友参加生日聚会：

在此前的版本中，短信很长也很啰嗦。而后者则更新平时我们对话的结果。

新版GPT-4的超长上下文能力更强

尽管此前OpenAI宣布说GPT-4最高支持128K的输入，但是随着上下文长度的增加，能力依然会有下降。一位网友做了一个自己构造的大海捞针测试，将答案分布在不同文档、没有确定性关键词、接近以及误导的信息来测试大模型的在超长上下文的能力。这比简单的大海捞针更难。

和此前的gpt-4-1106对比，新版本的GPT-4-Turbo-2024-04-09在更长的上下文上表现提高。64K的上下文水平与此前版本的26K差不多！

这里的纵轴表示匹配到准确的结果的数量，这是一个类RAG的测试。可以看到，最新版是绿色的折线，其在更高的上下文上，表现依然很好。这个测试也是开源的：https://github.com/stunningpixels/lou-eval

新版本的GPT-4不那么啰嗦

另一个测试来自EverArt的创始人，他对比了新旧版本的GPT-4，让写一段Python代码，新版本大部分内容都是代码。而老版本除了代码以外，还有非常啰嗦的解释：

这意味着，ChatGPT可能未来会更加简洁有用。

LiveCodeBench评测结果大幅提升

LiveCodeBench是不断从LeetCode等上面收集新的代码测试数据集，致力于做无数据污染的大模型评测。他们的测试难度非常高。而最新的结果，新版GPT-4的水平也是大幅提升，尤其是在比较困难的题目上：

可以看到，在中等难度水平测试上，新版GPT-4比此前提升将近50%！非常强大！

这部分数据参考：https://livecodebench.github.io/leaderboard.html

新版GPT-4在大模型匿名竞技场重回第一！

大模型匿名竞技场Chatbot Arena是LM-SYS推出的一个大模型匿名投票的评测系统。大家提问问题之后，系统返回匿名模型结果，用户投票得分。在此前，Claude3-Opus一度超过了GPT-4成为全球最高得分的模型。

而在GPT-4-Turbo-2024-04-09发布2天后，已经有8932个投票，投票结果显示，GPT-4-Turbo-2024-04-09得分超过Claude-3-Opus，重回第一！

GPT-4-Turbo-2024-04-09利用了Q*技术

不管是官方的测试，还是网友的测试，新版的GPT-4应该都是有明显的进步的。尤其是数学推理能力的增强，也让很多人猜测这个模型是不是Q*或者GPT-4.5。

而根据一位推特网友的信息，新版的GPT-4不是Q*，但是应该是基于Q*的输出做了微调。新版的GPT-5已经准备好，只是OpenAI holding back，所以对GPT-4做了训练，得到了这个新版：

目前，新版的GPT-4已经更新到ChatGPT和OpenAI官网的API接口了，大家可以测试起来！