編譯|智東西 ZeR0
編輯|漠影
智東西3月15日消息，今日凌晨，萬眾矚目的大型多模態(tài)模型GPT-4正式發(fā)布！
OpenAI發(fā)文稱，GPT-4能接受圖像和文本輸入，輸出文本內(nèi)容，雖然在許多現(xiàn)實場景中的能力不如人類，但在各種專業(yè)和學術(shù)基準測試中已做到人類水平的表現(xiàn)。
它強大到什么程度呢？輸入一張手繪草圖，GPT-4能直接生成最終設(shè)計的網(wǎng)頁代碼。
它以高分通過各種標準化考試：SAT拿下700分，GRE幾乎滿分，邏輯能力吊打GPT-3.5。
GPT-4在高級推理能力上超越ChatGPT。在律師模擬考試中，ChatGPT背后的GPT-3.5排名在倒數(shù)10%左右，而GPT-4考到了前10%左右。
GPT-4的長度限制提升到32K tokens，即能處理超過25000個單詞的文本，并且可以使用長格式內(nèi)容創(chuàng)建、擴展對話、文檔搜索和分析等。
OpenAI還貼心地發(fā)布了GPT-4開發(fā)者視頻，手把手教你生成代碼、檢查錯誤信息、報稅等。在視頻中，OpenAI聯(lián)合創(chuàng)始人兼總裁Greg Brockman說了句有點扎心的話：“它并不完美，但你也一樣。”
OpenAI正通過ChatGPT和API發(fā)布GPT-4的文本輸入功能，圖像輸入功能暫未開放。ChatGPT plus訂閱者可直接獲得有使用上限的GPT-4的試用權(quán)，4小時內(nèi)最多只能發(fā)布100條信息。開發(fā)者也可以申請GPT-4 API，進入候補名單等待通過。
隨著時間的推移，OpenAI會將其自動更新為推薦的穩(wěn)定模型（你可以通過調(diào)用gpt-4-0314來鎖定當前版本，OpenAI將支持到6月14日）。定價是每1k prompt tokens 0.03美元，每1k completion tokens 0.06美元。默認速率限制是每分鐘40k tokens和每分鐘200個請求。
gpt-4的上下文長度為8192個tokens。還提供對32768個上下文（約50頁文本）版本gpt-4-32k的有限訪問，該版本也將隨著時間的推移自動更新（當前版本gpt-4-32k-0314，也將支持到6月14日）。價格是每1k prompt tokens 0.06美元，每1K completion tokens 0.12美元。
此外，OpenAI還開源了用于自動評估AI模型性能的框架OpenAI Evals，以便開發(fā)者更好的評測模型的優(yōu)缺點，從而指導團隊進一步改進模型。
01 GPT-4升級成“考霸”，基準測試表現(xiàn)大大優(yōu)于現(xiàn)有大模型
如果是隨意聊天，你可能不太能感受出GPT-3.5與GPT-4之間的區(qū)別。但當任務的復雜性達到足夠的閾值時，GPT-4將明顯比GPT-3.5更可靠、更有創(chuàng)意，并且能夠處理更細微的指令。
為了了解這兩種模型之間的區(qū)別，OpenAI在各種基準測試中進行了測試，包括最初為人類設(shè)計的模擬考試。他們使用了最新的公開試題（在奧林匹克競賽和AP自由答題的情況下）或購買 2022-2023年版的模擬考試題。
OpenAI沒有針對這些考試進行專門訓練。在模型訓練期間，考試中的少數(shù)問題被發(fā)現(xiàn)。但OpenAI認為結(jié)果具有代表性。詳情可參見GPT-4論文（https://cdn.openai.com/papers/gpt-4.pdf）。
OpenAI還在為機器學習模型設(shè)計的傳統(tǒng)基準測試中評估了GPT-4。GPT-4大大優(yōu)于現(xiàn)有的大型語言模型以及大多數(shù)最先進的（SOTA）模型，其中可能包括基準特定的制作或額外的訓練協(xié)議：
許多現(xiàn)有的機器學習（ML）基準測試都是用英語編寫的。為了初步了解它在其他語言中的性能，OpenAI使用Azure Translate將MMLU基準測試（一套涵蓋57個主題的14000個多項選擇題）翻譯成各種語言。
在測試的26種語言中的24種中，GPT-4優(yōu)于GPT-3.5和其他大型語言模型（Chinchilla，PaLM）的英語表現(xiàn)，包括拉脫維亞語、威爾士語、斯瓦希里語等資源匱乏的語言。
OpenAI也在內(nèi)部使用GPT-4，這對支持、銷售、內(nèi)容審核和編程等功能有很大影響。OpenAI還使用它來協(xié)助人類評估AI輸出，開始了其對齊策略的第二階段。
02 描述照片、看懂圖表、解答論文
GPT-4可以接受文本和圖像提示，這與純文本設(shè)置并行，允許用戶指定任何視覺或語言任務。
具體來說，給定由穿插的文本和圖像組成的輸入，它能夠生成自然語言、代碼等文本輸出。在生成帶有文本和照片的文檔、圖表或屏幕截圖等方面，GPT-4展示了與純文本輸入類似的功能。
此外，GPT-4還可以使用為純文本語言模型開發(fā)的測試時（test-time）技術(shù)進行增強，包括少量標注數(shù)據(jù)（few-shot）和思維鏈（CoF，chain-of-thought）提示。圖像輸入仍處于研究預覽階段，尚未公開。
OpenAI在官網(wǎng)展示了7個視覺輸入的例子。
1、描述多張圖片內(nèi)容，發(fā)現(xiàn)不合常理之處
輸入一張由三張圖片拼成的圖，用戶輸入“這張圖有什么奇怪的地方？一張圖一張圖地描述”，GPT-4會分別對每張圖中的內(nèi)容進行描述，并指出這幅圖把一個大而過時的VGA接口插入一個小而現(xiàn)代的智能手機充電端口是荒謬的。
2、根據(jù)圖表，推理作答
用戶問格魯吉亞和西亞的平均每日肉類消費量總和是多少，讓GPT-4在給答案前提供一個循序漸進的推理，GPT-4也能按需作答。
3、看圖考試
用戶也可以直接給一張考試題的照片，讓GPT-4一步步思考作答。
4、簡練指出圖片的違和之處
用戶問“這張圖片有什么不尋常之處”時，GPT-4簡練地回答出“一名男子正在行駛中的出租車車頂上在熨衣板上熨燙衣服”。
5、閱讀論文，總結(jié)摘要與解釋圖表
給幾張論文的照片，GPT-4可以做總結(jié)，也可以對用戶指定的圖片的內(nèi)容進行展開解釋。
6、解讀“雞塊地圖”
讓GPT-4解釋圖中的模因（meme），GPT-4回答說這是個笑話，結(jié)合了太空中的地球照片和雞塊這兩個不相關(guān)的東西。
7、理解漫畫含義
最后一個示例是讓GPT-4解釋這張漫畫，GPT-4認為它諷刺了統(tǒng)計學習和神經(jīng)網(wǎng)絡在提高模型性能方面的差異。
OpenAI通過在一套狹窄的標準學術(shù)視覺基準上評估GPT-4的性能來預覽。但這些數(shù)字并不能完全代表它的能力，因為OpenAI不斷發(fā)現(xiàn)該模型能夠處理的新的和令人興奮的任務。
OpenAI計劃很快發(fā)布進一步的分析和評估數(shù)字，以及對測試時技術(shù)影響的徹底調(diào)查。
此外，OpenAI一直在研究其關(guān)于定義AI行為的文章中概述計劃的各方面，包括可操縱性。與擁有固定冗長、語調(diào)、風格的ChatGPT不同，開發(fā)者（很快還有ChatGPT用戶）現(xiàn)可通過在“系統(tǒng)”消息中描述這些方向來規(guī)定他們的AI的風格和任務。
系統(tǒng)消息（system messages）允許API用戶在一定范圍內(nèi)自定義用戶體驗。OpenAI將在這方面繼續(xù)做改進（特別是知道系統(tǒng)消息是“越獄”當前模型的最簡單方法，即對邊界的遵守并不完美)，但OpenAI鼓勵用戶嘗試一下，并將想法告知他們。
關(guān)于可操縱性，OpenAI展示了3個示例。
第一個示例是讓GPT-4作為一位總是以蘇格拉底風格回應的導師，不直接給學生求解某個線性方程組的答案，而是通過將那個問題拆分成更簡單的部分，引導學生學會獨立思考。
第二個示例是讓GPT-4變成“莎士比亞的海盜”，忠于自己的個性，可以看到它在多輪對話過程中時刻保持著自己的“人設(shè)”。
第三個示例是讓GPT-4成為一名AI助手，總是用json編寫響應輸出，然后GPT-4的回答畫風就變成了這樣：
03 迄今最好的真實性、穩(wěn)定性、可控性
OpenAI稱其團隊花了6個月的時間，使用對抗性測試程序和從ChatGPT得到的經(jīng)驗教訓，對GPT-4進行迭代調(diào)整，在真實性、可控制性等方面取得了有史以來最好的結(jié)果（仍遠非完美）。
過去兩年里，OpenAI重建了整個深度學習堆棧，并與微軟Azure云平臺一起為其工作負載從頭開始共同設(shè)計了一臺超級計算機。
一年前，OpenAI訓練GPT-3.5作為系統(tǒng)的第一次“試運行”，發(fā)現(xiàn)并修復了一些錯誤并改進了其理論基礎(chǔ)。結(jié)果，GPT-4訓練運行（至少對OpenAI而言）前所未有地穩(wěn)定，成為OpenAI能夠提前準確預測其訓練性能的第一個大型模型。
隨著繼續(xù)專注于可靠的擴展，OpenAI的目標是完善其方法，以幫助自身越來越多地提前預測和準備未來的能力。OpenAI認為這對安全至關(guān)重要。
與以前的GPT模型一樣，GPT-4基礎(chǔ)模型經(jīng)過訓練可以預測文檔中的下一個單詞，并且使用公開可用的數(shù)據(jù)（例如互聯(lián)網(wǎng)數(shù)據(jù)）以及OpenAI已獲得許可的數(shù)據(jù)進行訓練。這些數(shù)據(jù)是網(wǎng)絡規(guī)模的數(shù)據(jù)語料庫，包括數(shù)學問題的正確和錯誤解決方案、弱推理和強推理、自相矛盾和一致的陳述，并代表各種各樣的意識形態(tài)和想法。
因此，當有問題提示時，基礎(chǔ)模型能以多種方式進行響應，這些方式可能與用戶意圖相去甚遠。為了使其與護欄（guardrails）內(nèi)的用戶意圖保持一致，OpenAI使用人類反饋強化學習（RLHF）對模型行為進行微調(diào)。
需注意的是，模型的能力似乎主要來自預訓練過程——RLHF并不會提高考試成績（如果不積極努力，它實際上會降低考試成績）。但是模型的控制來自訓練后的過程——基礎(chǔ)模型需要快速的工程設(shè)計來知道它應該回答問題。
04 GPT-4的局限性：不完全可靠
盡管功能更加強大，但GPT-4與早期的GPT模型具有相似的局限性。
最重要的是，它仍然不完全可靠（存在事實性“幻覺”并出現(xiàn)推理錯誤）。在使用語言模型輸出時應格外小心，特別是在高風險上下文中，使用符合特定用例需求的確切協(xié)議（例如人工審查、附加上下文的基礎(chǔ)或完全避免高風險使用） 。
不過，GPT-4相對于以前的模型（它們本身在每次迭代中都在改進）顯著減少了幻覺。在OpenAI的內(nèi)部對抗性真實性評估中，GPT-4的得分比 GPT-3.5高40%。
OpenAI在TruthfulQA等外部基準測試上取得了進展，它測試了模型將事實與對抗性選擇的一組錯誤陳述分開的能力。這些問題與事實不正確的答案相匹配，這些答案在統(tǒng)計上很有吸引力。
GPT-4基本模型在這項任務上只比GPT-3.5稍微好一點；但在RLHF訓練（應用與GPT-3.5相同的過程）后，存在很大的差距。
檢查下面的一些例子，GPT-4拒絕選擇常見的諺語（你教不了老狗新技能，即“年老難學藝”），但它仍然會遺漏一些微妙的細節(jié)（埃爾維斯·普雷斯利不是演員之子）。
GPT-4的輸出可能存在各種偏差，OpenAI還有更多工作要做。
GPT-4普遍缺乏對絕大部分數(shù)據(jù)中斷后（2021年9月）發(fā)生的事件的了解，也沒有從經(jīng)驗中吸取教訓。它有時會犯一些簡單的推理錯誤，這些錯誤似乎與跨多個領(lǐng)域的能力不相稱，或者在接受用戶明顯的虛假陳述時過于輕信。
有時它會像人類一樣在難題上失敗，例如在它生成的代碼中引入安全漏洞。
GPT-4也可能自信地在其預測中犯錯，在可能出錯時沒有仔細檢查工作。有趣的是，基礎(chǔ)預訓練模型經(jīng)過高度校準（它對答案的預測置信度通常與正確概率相匹配）。然而，通過OpenAI目前的后訓練過程，校準減少了。
05 OpenAI如何規(guī)避風險？
OpenAI一直在對GPT-4進行迭代，以使其從訓練開始就更安全、更一致。其工作包括預訓練數(shù)據(jù)的選擇和過濾、評估和專家參與、模型安全改進以及監(jiān)控和執(zhí)行。
GPT-4會帶來與之前模型類似的風險，例如生成有害建議、錯誤代碼或不準確信息。同時GPT-4的附加功能會帶來新的風險面。
為了了解這些風險的程度，OpenAI聘請了50多位來自AI對齊風險、網(wǎng)絡安全、生物風險、信任和安全以及國際安全等領(lǐng)域的專家來對模型進行對抗性測試。他們的發(fā)現(xiàn)使OpenAI能夠在需要專業(yè)知識進行評估的高風險領(lǐng)域測試模型行為。這些專家的反饋和數(shù)據(jù)用于模型改進。
GPT-4在RLHF訓練期間加入了一個額外的安全獎勵信號，通過訓練模型拒絕對此類內(nèi)容的請求來減少有害輸出。獎勵由GPT-4零樣本分類器提供，該分類器根據(jù)安全相關(guān)提示判斷安全邊界和完成方式。為了防止模型拒絕有效請求，OpenAI從各種來源收集了多樣化的數(shù)據(jù)集，并在允許和不允許的類別上應用安全獎勵信號（具有正值或負值）。
與GPT-3.5相比，其緩解措施顯著改善了GPT-4的許多安全特性，已將模型響應禁止內(nèi)容請求的可能性降低了82%，并且GPT-4根據(jù)OpenAI的政策響應敏感請求（如醫(yī)療建議和自我傷害）的頻率提高了29%。
總的來說，OpenAI的模型級干預提高了引發(fā)不良行為的難度，但依然無法做到完全規(guī)避。OpenAI強調(diào)目前需用部署時安全技術(shù)（如監(jiān)控濫用）來補充這些限制。
GPT-4和后續(xù)模型有可能以有益和有害的方式對社會產(chǎn)生重大影響。OpenAI正在與外部研究人員合作，以改進理解和評估潛在影響的方式，以及對未來系統(tǒng)中可能出現(xiàn)的危險功能進行評估，并將很快分享更多關(guān)于GPT-4和其他AI系統(tǒng)的潛在社會和經(jīng)濟影響的想法。
06.構(gòu)建可預測擴展的深度學習堆棧
GPT-4項目的一大重點是構(gòu)建可預測擴展的深度學習堆棧。主要原因是，對于像GPT-4這樣的非常大的訓練運行，進行廣泛的特定于模型的調(diào)整是不可行的。OpenAI開發(fā)的基礎(chǔ)設(shè)施和優(yōu)化在多個尺度上具有非常可預測的行為。
為了驗證這種可擴展性，OpenAI通過從使用相同方法訓練但計算量減少到原來的1/10000的模型進行推斷，準確預測了GPT-4在其內(nèi)部代碼庫（不屬于訓練集）上的最終損失：
現(xiàn)在OpenAI可以準確地預測其在訓練期間優(yōu)化的指標（損失），開始開發(fā)方法來預測更多可解釋的指標，例如成功預測了HumanEval數(shù)據(jù)集子集的通過率，從計算量減少至原來的1/1000的模型推斷：
有些能力仍難以預測。例如Inverse Scaling Prize是一項競賽，目的是尋找隨著模型計算量的增加而變得更糟的度量指標，而hindsight neglect是獲勝者之一。就像最近的另一個結(jié)果一樣，GPT-4 扭轉(zhuǎn)了趨勢：
OpenAI認為，準確預測未來的機器學習能力是安全的重要組成部分，但相對于其潛在影響而言，它并沒有得到足夠的重視。OpenAI正在加大力度開發(fā)方法，為社會提供更好的未來系統(tǒng)預期指導，并希望這成為該領(lǐng)域的共同目標。
07 開源軟件框架Evals，用于評估GPT-4
OpenAI正在開源其軟件框架OpenAI Evals，用于創(chuàng)建和運行基準測試以評估GPT-4等模型，同時逐個樣本地檢查它們的性能。
OpenAI使用Evals來指導其模型的開發(fā)，其用戶可以應用該框架來跟蹤模型版本（現(xiàn)在將定期發(fā)布）的性能和不斷發(fā)展的產(chǎn)品集成。例如Stripe 使用Evals來補充他們的人工評估，以衡量其基于GPT的文檔工具的準確性。
因為代碼都是開源的，所以Evals支持編寫新的類來實現(xiàn)自定義評估邏輯。但根據(jù)OpenAI的經(jīng)驗，許多基準測試都遵循少數(shù)“模板”之一，所以他們也囊括了內(nèi)部最有用的模板（包括“模型分級評估”的模板——OpenAI發(fā)現(xiàn)GPT-4在檢查自己的工作方面驚人地強大）。通常構(gòu)建新eval最有效的方法是實例化這些模板之一，并提供數(shù)據(jù)。
OpenAI希望Evals成為一種共享和眾包基準測試的工具，代表最廣泛的故障模式和困難任務。作為示例，OpenAI創(chuàng)建了一個邏輯難題eval，其中包含十個GPT-4失敗的提示。Evals也兼容現(xiàn)有的基準測試；OpenAI已有一些實現(xiàn)學術(shù)基準的筆記本和一些集成CoQA（小子集）的變體作示例。
OpenAI邀請每個人都使用Evals來測試其模型，提交最有趣的示例，給與貢獻、問題和反饋。
08 結(jié)語：OpenAI擴展深度學習的最新里程碑
GPT-4是OpenAI在擴展深度學習道路上的最新里程碑。OpenAI期待GPT-4成為一個有價值的工具，通過為許多應用提供動力來改善生活。
正如OpenAI所言，前方還有很多工作要做，這需要通過社區(qū)在模型之上構(gòu)建、探索和貢獻的集體努力，來持續(xù)將模型變得越來越強。