“GPT-4时代来临：为何这一代AI模型让GPT-3.5相形见绌？“

这个东西太强大了，GPT-4不同于ChatGPT先前的模型GPT-3.5，它不仅可以接收文字，同时还可以接受图片，但是图片还未开放给大众，从OpenAI的官方视频可以看到一段非常厉害的片段。

这个人用笔在本子上随便画了个自己网站的草图

然后用手机把这个草图拍下来

发送给GPT-4

它识别出了这是一个网站的草图

然后顺便生成了要建成这个网页的代码

好了，你的网站建好了

相比之下，这是原始的图

它强就强在可以接受图片为输入，并且能准确理解图片中的含义。

全文重点摘要

简短版：GPT-4是一个多模态的模型，可以接受文字和图片输入，并且输出文字。现在只开放了文字输入的功能，图片输入功能还在加紧开发中。

• OpenAI发布了GPT-4，这是一个大型多模态模型，能够接受图像和文本输入，并输出文本。
• 虽然在某些情况下它不如人类，但在各种专业和学术考试中表现出了与人类水平相当的性能（human-level performance）。
• GPT-4的训练稳定性是史无前例的（unprecedentedly stable），这得益于对抗性测试计划（dversarial testing program）和来自于ChatGPT的经验教训。
• 在过去的两年里，OpenAI重建了整个深度学习堆栈，并与Azure共同设计了一台超级计算机以便于应付他们的工作负载。
• OpenAI首先发布了GPT-4的文本输入功能，图像输入功能敬请期待。
• OpenAI还开源了OpenAI Evals，这是他们的自动化评估AI模型性能的框架，任何人都可以提交他们模型的缺陷以帮助改进。

Logo的变化

图片的变化，前者是GPT-4，后者是ChatGPT的模型GPT-3.5可以看到，后者更整齐，更格式化；但新出的GPT-4给人的感觉反而显得杂乱。

其实背后的原因我觉得是GPT-4是个多模态（）的模型，不同于GPT-3.5只能接受文字作为输入，GPT-4还可以接受一张图片作为输入，比如一份高考数学卷子，然后你可以根据这份卷子问一些问题，这就一定程度上解决了图片的变化。

性能的变化

简短版：比GPT-3.5，GPT-4更加可靠、有创造力，并能够处理更加微妙的指令。

详细版：跟GPT-3.5，也就是chatgpt在随意的交谈中，他们的区别可能不是很大。但是一旦任务的复杂性达到足够高的时候，差异就会显示出来。

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，比如这两种Olympiads and AP free response questions。并且值得注意的是，他们并没有针对性的拿着两种考试进行训练，意思是他们这个模型并没有针对特定的问题进行微调。

可以可以看到，GPT-4（绿色）大体上要比GPT3.5好，并且展现出类似于人类的水平。其中值得注意的是，GPT-4在这项律师考试（Uniform Bar Examination）中获得了前10%的高分。

下面是具体的得分，在很多项都是很靠前的得分。

在benchmark基准数据集上的表现优异

GPT-4在下面的这几个经常用来比较模型性能的数据集上做了测试，展现出了很高的性能，比如第一个MMLU数据集，GPT-4达到了86.4%的准确度，而SOTA也就是最高性能的才75.2%。OpenAI提到了，这些模型都是针对于特定任务经过精心调整的，然而，GPT-4可以说是爆杀了。

在其中语言上的比较

大多数的测试数据都是英文，为了测试GPT-4在其他语言上的性能，他们用Azure的翻译功能，将MMLU这个数据集翻译成了26种语言。在其中的24种语言上，GPT-4比GPT-3.5和其他的大语言模型，这里他们比较了Chinchilla, PaLM。

其中随机猜测的准确率是25%，符合多选题的概率。

Chinchilla- 67%，PaLM-69.3%和GPT-3.5 – 70.1%，

从图中可以看到，最差的两个是Marathi和Telugu，经过查证，这是俩印度的官方语言，大概率是使用人数虽然多，但是在互联网上以文字存在的分量并不多。

可以看到中文的性能也很好，只比英文差一点。

视觉输入性能

简短版：还在研究阶段，不公开。

详细版：GPT-4可以接受文本和图像输入，并且这两个是可以掺杂着用，它允许你用跟之前文本一样的使用方式。

一共有7个例子，总结起来，它可以识别搞笑图片，可以做复杂的物理化学之类的题目，可以做看图题，可以读论文，可以识别meme图片，总之，非常的强，可惜还不能开放使用。

第一个图

可以看到，它非常准确的认出了每幅图，并能理解为什么这幅图的搞笑之处。

第二幅图

这是一个对于普通人非常简单的看图题，但是对于之前的机器学习，这是很难做到的，GPT-4不仅可以读懂问题，还能非常完整的回答对。

第三幅图

这已经是一道有点儿复杂的像是物理的问题了，回答的准确无误。

第四幅图：

还是找异常点，准确。

第五幅图

读论文并总结，好像ChatPDF要完蛋了。

https://github.com/openai/evals我也是想了几秒钟后才察觉这是一个由鸡块构成的地球，GPT-4的回答非常精准。

第七幅图

解释了统计机器学习和深度学习的异同点，前者取消降低过拟合，后者需要增大网络层数，其实是一个比较专业性的搞笑图片。

但是结论是完全没问题的。

视觉数据集上的表现

还是没有经过微调，部分超过SOTA，部分跟SOTA持平，总之，很强。

操纵性（Steerability）

可以更好的规定你想要的回答风格，比如说你想要一位苏格拉底式的导师。特点是从不直接给学生答案，但会用启发式的形式教导学生，让学生学会独立思考。

莎士比亚风格的海盗（英译中很差，不如直接上英文）

让GPT-4保持Json的回答形式

局限性

跟之前的ChatGPT一样，它还是有可能会输出不可靠的内容，但是经过几个月的调整，性能提升很大。

比如在对抗性的问题TruthfulQA上，GPT-4性能提升具有统计意义的显著性。

至于数据问题的时间问题，还是一样，2021年之后的数据就不知道了，并且还是会随机的生成一些错误的内容，但是经过校准之后，这样的错误大大的减少了。

风险和应对措施

• OpenAI一直在对GPT-4进行迭代，以使其更加安全。
• GPT-4与以前的模型一样具有风险，但由于其额外的能力，从而会导致新的风险。
• 邀请了50多名专家对模型进行对抗测试，以提高模型的安全性能。
• GPT-4在RLHF训练过程中加入了额外的安全奖励信号，以减少有害输出。
• 为了防止模型拒绝有效请求，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。
• 缓解措施显著提高了GPT-4的安全性能，例如将模型对于不允许内容请求的响应率降低了82%。

分别对于两个问题的回应

可以预测的扩展

OpenAI的GPT-4项目致力于构建一个可预测扩展的深度学习堆栈，以便在非常大的训练运行中不需要进行广泛的模型特定调整。他们开发了基础设施和优化，使得在多个规模上具有可预测的行为。现在，OpenAI能够准确预测训练期间他们优化的度量（损失），并开始开发预测更可解释的度量的方法。

他们认为，准确预测未来的机器学习能力是安全的一个重要部分，但是相对于其潜在影响，它并没有得到足够的关注。