新智元报说念
裁剪：山令 alan
【新智元导读】谷歌发布Gemini以后，一直声称Gemini Pro要优于GPT-3.5，而CMU的询查东说念主员通过我方实测，给巨匠来了一个客不雅中立第三方的对比。遵循却是GPT-3.5险些如故全面优于Gemini Pro，不外两边差距不大。
谷歌最近发布的Gemini掀翻了不小的海浪。
毕竟，大讲话模子界限险些是OpenAI的GPT一家独大的时事。
不外看成吃瓜公共，天然但愿科技公司都卷起来，大模子都打起来！
是以，看成科技巨无霸谷歌的亲女儿，Gemini天然承受了很高的期待。
诚然Gemini发布之后发生了一些奇奇怪怪的事情吧，什么视频作秀啦，以为我方是文心一言啦。
不外问题不大，我们不看告白看疗效。
皇冠博彩 网址皇冠的盘口准吗最近在CMU，询查东说念主员进行了一组公正、深入和可类似的实验测试， 要点比较了Gemini和GPT在各项任务中的优劣，另外还加入了开源的竞争敌手Mixtral。
论文地址：https://arxiv.org/abs/2312.11444
代码地址：https://github.com/neulab/gemini-benchmark
询查东说念主员在论文中对Google Gemini的讲话技艺进行了深入地探索，
从第三方的角度，对OpenAI GPT和Google Gemini模子的技艺进行了客不雅比较，公开了代码和比较遵循。
我们不错从中发现两个模子分辨擅长的界限。
澳门六合彩龙虎斗询查东说念主员比较了6种不同任务的准确性：
- 基于学问的QA（MMLU） - 推理（BIG-Bench Hard） - 数学（GSM8k、SVAMP、ASDIV、MAWPS） - 代码生成（HumanEval，ODEX） - 翻译 （FLORES） - Web指示追踪（WebArena）
为了平允起见，实验中尝试限度所有变量，对所有模子使用疏通的请示、生成参数和评估。
评测中使用了LiteLLM以搭伙的形状查询模子，使用try_zeno作念全面深入的分析。
测试模子
询查比较了Gemini Pro、GPT-3.5 Turbo、GPT-4 Turbo以及Mixtral，指出了他们在技艺上的不同。
特色：Gemini Pro是多模态的，通过视频、文本和图像进行考核。GPT-3.5 Turbo和GPT-4 Turbo则主要基于文本考核，其中GPT-4 Turbo是多模态的。
测试复现活动
更简约的复现活动：点击下文测试任务的结合即可参加CMU集成好的基于Zeno的AI评估平台进行考证
GitHub结合：
https://github.com/neulab/gemini-benchmark]
具体测试任务
基于学问的问答（Knowledge-based QA）
基于UC伯克利2020年提议的MMLU（Massive Multitask Language Understanding）大模子评测进行评测
该测试涵盖57项任务，包括初等数学、好意思国历史、打算机科学、法律等。任务涵盖的学问很庸俗，讲话是英文，用以评测大模子基本的学问障翳界限和深入技艺。
用5-shot和念念维链请示词的MMLU任务总体准确率如下图，Gemini Pro均稍许过时GPT-3.5 Turbo
著述也指出使用念念维链请示的性能各异不大，可能是因为 MMLU 主如果基于学问的问答任务，可能不会从更强的面向推理的请示中赫然受益。
下图涌现Gemini-pro、gpt3.5-turbo、gpt-4-turbo关于多选题谜底输出的比例，遵循涌现Gemini-pro、gpt3.5-turbo都有一些谜底偏见，尤其Gemini-pro十分偏向D选项
标明 Gemini 尚未针对科罚多选题问题，进行大都指示调换，这可能导致模子在谜底排序方面存在偏差
MMLU的57个子任务中惟有两项Gemini-pro高出GPT3.5-turbo。
下图涌现gpt3.5最当先Gemini-pro的前四个任务的准确性，和Gemini-pro高出gpt3.5的两个任务
在2023年欧洲杯前夕，足坛当红新星XXX被爆出博彩丑闻，据说他在比赛前就预先下注了自己会在比赛中进球，这引发了广泛的争议和谴责。通用推理(General-purpose Reasoning)
基于BBH（BIG-Bench Harch）这一通用推理数据集进行测试，其中包括算术、符号和多讲话推理以及事实仅仅理衔命务。
开头，从如下总体精度图中不错看到Gemini Pro完了的精度略低于GPT 3.5 Turbo，而且远低于GPT 4 Turbo。比拟之下，Mixtral 模子的精度要低得多。
接下来进行一些细节分析， 开头把柄问题的长度测试一下准确性，遵循如下图。
作家发现Gemini Pro在更长、更复杂的问题上发扬欠安，而GPT模子对此更肃穆。
GPT-4 Turbo的情况尤其如斯，即使在较长的问题上，它也险些莫得发扬出性能下落，这标明它具有弘大技艺来深入更长和更复杂的查询。
GPT-3.5 Turbo的肃穆性处于中间位置。Mixtral在问题长度方面极端踏实，但总体准确率较低。
下图再具体列出了GPT-3.5 Turbo发扬优于Gemini Pro最多的任务。
Gemini Pro在tracking_shuffled_objects任务上发扬很厄运
在某些任务中，即multistep_arithmetic_two、salient_translation_error_detection、snarks、disambiguition_qa和两个tracking_shuffled_objects任务中，Gemini Pro的发扬致使比Mixtral模子还要差。
皇冠客服飞机：@seo3687
天然，有一些任务Gemini Pro优于GPT3.5。
下图涌现了 Gemini Pro 比 GPT 3.5 Turbo 发扬优秀的六项任务。这些任务需要天下学问（sports_understanding）、操作符号堆栈（dyck_languages）、按字母规章排序单词（word_sorting）妥协析表（penguins_in_a_table）等。
著述在此部分终末示意，关于通用推理任务，似乎莫得Gemini和GPT都莫得王人备上风，是以不错都尝试一下
数学问题
基于四个数学愚弄题评测进行：
- GSM8K，小学数学基准
- SVAMP 数据集，通过不同的词序生成问题来查验肃穆的推理技艺，
- ASDIV 数据集，具有不同的讲话模式和问题类型
- MAWPS 基准，由算术和代数愚弄题构成。
下图涌现四项数学推理任务的总体准确性
从图中不错看出，在 GSM8K、SVAMP 和 ASDIV 任务上，Gemini Pro的精度略低于 GPT-3.5 Turbo，而且远低于 GPT-4 Turbo，这些任务都包含各类化的讲话模式。
关于 MAWPS 任务，所有模子都达到了 90% 以上的准确率，尽管 Gemini Pro 仍然比GPT模子稍差。
兴趣的是，在此任务中，GPT-3.5 Turbo的发扬以隐微上风胜过GPT-4 Turbo。
比拟之下，Mixtral模子的准确率比其他模子要低得多。
和之前在BBH上的推理任务相同，我们不错看到较长任务推感性能会下落。
而且和往常相同，GPT 3.5 Turbo 在较短的问题上优于 Gemini Pro，但下落得更快，Gemini Pro 在较长的问题上完了了类似（但仍稍差）的准确度。
不外在念念维链（CoT）长度高出100的最复杂例子中，Gemini Pro优于GPT 3.5 Turbo，但在较短示例中发扬欠安。
终末，著述询查了比较模子在生成不同位数谜底时的准确性。
把柄谜底中的位数创建三个类别，一位数、两位数、三位数谜底（MAWPS 任务之外，其谜底不高出两位数）。
如下图所示，GPT-3.5 Turbo似乎关于多位数数学问题愈加肃穆，而Gemini Pro在位数较多的问题上性能下落更多。
皇冠体育源码
代码生成
在此类别中，著述使用两个代码生成数据集HumanEval和ODEX查验模子的编码技艺。
前者测试对Python圭臬库中一组有限函数的基本代码深入。
后者测试使用通盘Python生态系统中更庸俗的库的技艺。
它们都将东说念主工编写的英语任务式样（经常带有测试用例）看成输入。这些问题用来评估对讲话、算法和初等数学的深入。
总体而言，HumanEval有164个测试样本，ODEX有439个测试样本。
代码生成的总体情况如下图：
Gemini Pro在两项任务上的Pass@1 收获都低于GPT-3.5 Turbo，远低于GPT-4 Turbo。
接下来，分析最好科罚有考虑长度与模子性能之前的关系，因为科罚有考虑长度不错一定历程上标明相应代码生成的任务的难度。
本文发现，当科罚有考虑长度低于100（即代表处理疏漏问题）时，Gemini Pro 不错达到与 GPT-3.5 特地的 Pass@1，但当科罚有考虑变得更长（即处理更难的问题时）时，它会大幅过时。
著述还分析了每个科罚有考虑所需的库若何影响模子性能，遵循如下图涌现：
把柄遵循分析，在大多数使用库的情况下，举例mock、pandas、numpy和datetime，Gemini Pro的发扬比GPT-3.5差。
联系词，它在 matplotlib 情况下优于 GPT-3.5 和 GPT-4，在通过代码执行画图可视化时涌现出更强的功能。
底下展示几个具体的失败案例：
开头， Gemini在从Python API中正确聘请函数和参数方面稍差一些
比如，当你给出如下指示时
def f_3283984():\"\"\"decode a hex string '4a4b4c' to UTF-8.\"\"\"
Gemini Pro 生成以下代码，导致类型不匹配诞妄。
bytes(bytearray.fromhex('4a4b4c'), 'utf-8')
比拟之下，GPT 3.5 Turbo 使用以下代码，达到了预期的遵循：
hex_string = '4a4b4c'decoded_string = bytes.fromhex(hex_string).decode('utf-8')return decoded_string
德国欧洲杯教练此外，Gemini Pro的诞妄比例较高，所完了的代码在语法上是正确的，但与复杂的意图不正确匹配。
举例，关于以下指示
from typing import Listdef remove_duplicates(numbers: List[int]) -> List[int]:\"\"\"From a list of integers, remove all elements that occur more than once.Keep order of elements left the same as in the input.>>> remove_duplicates([1, 2, 3, 2, 4])[1, 3, 4]
Gemini Pro 给的代码，只索要独一的数字，而不删除那些出现屡次的数字。
seen_numbers = set()unique_numbers = []for number in numbers:if number not in seen_numbers:unique_numbers.append(number)seen_numbers.add(number)return unique_numbers
机器翻译（Machine Translation）
基于FLORES-200 机器翻译基准评估模子的多讲话技艺，极端是在各式讲话对之间翻译的技艺。
针对所有采取的讲话对，对测试王人集的1012个句子进行评估。看成这项询查的第一步，本文将界限限定为仅从英语到其他讲话（ENG→X）的翻译。
遵循涌现如下图，Gemini Pro在翻译任务上，总体优于其他模子，在 20 种讲话中的 8 种讲话上均优于 GPT-3.5 Turbo 和 GPT-4 Turbo，并在4种讲话上赢得了最高性能。
诚然在非英语讲话翻译方面尚未超越专用机器翻译系统，但通用讲话模子也涌现出了强竞争力的性能
零样本请示和5样本请示Gemini Pro在翻译任务上均优于其他模子
皇冠足球源码
网页代理（Web Agents）
拟募资25.1亿元，6成资金拟用于IP内容资源升级
Descriptor Track最终榜单和Matching Track最终榜单
终末，本文考证每个模子充任网罗导航代理（web navigation agent）的技艺，这是一项需要遥远筹商和复杂数据深入的任务。
使用 WebArena ，这是一个基于呐喊执行的模拟环境，其中得胜圭臬基于执行遵循。分派给代理的任务包括信息查找、站点导航以及实质和设立操作。
这些任务向上各式网站，包括电子商务平台、搪塞论坛、说合软件建造平台（举例 gitlab）、实质经管系统和在线舆图。
如下图著述从总体遵循不错看出，Gemini-Pro 的性能与 GPT-3.5-Turbo 特地，但稍差。
与 GPT-3.5-Turbo 类似，当Prompts提到任务可能无法完成时（UA 请示），Gemini-Pro 的发扬会更好。通过 UA 请示，Gemini-Pro 的总体得胜率达到 7.09%。
之后著述又按照网罗进行细分，如下图，不错看到 Gemini-Pro 在 gitlab 和舆图上的发扬比 GPT-3.5-Turbo 差，而在购物经管、reddit 和 Shopping 上则接近 GPT-3.5-Turbo 。它在多站点任务上的发扬比 GPT-3.5-Turbo 更好。
测试遵循总览
2020最新平台菠菜在本文中，作家对 Google 的 Gemini 模子进行了第一次公正、深入的询查，并将其与 OpenAI 的 GPT 3.5 和 4 模子以及开源 Mixtral 模子进行了比较。
在终末，作家叠了一些甲：
指出他们责任是针对束缚变化且不踏实的API，所有用率均为截止 2023 年 12 月 19 日撰写本文时的最新遵循，但跟着模子和周围系统的升级，异日可能会发生变化。
遵循可能取决于其聘请的特定请示和生成参数
作家测试时莫得像谷歌兴趣使用多个样本和自我一致性（self-consistency），不外作家以为对不同模子使用一致的prompts的多项任务上进行的测试，碰巧不错合理地展示被测模子的肃穆性和广义指示的降服技艺
作家指出数据知道对现时大模子评测任务的困扰，诚然他们莫得明确测量这种知道，但他们也尝试过各式活动来缓解这个问题
在瞻望中，作家也提议建议，但愿巨匠在使用Gemini Pro之前，把柄这篇论文，我方评估Gemini Pro是否如宣传所说与GPT 3.5 Turbo相失色。作家也示意Gemini的Ultra版块尚未发布，等其发布后也会考证其是否如报说念所说与GPT4特地。
参考贵府：
https://arxiv.org/abs/2312.11444
