谷歌Gemini實力到底如何？卡耐基梅隆大學來了場專業客觀第三方比較。

為保證公平，所有模型使用相同的提示和生成參數，并且提供可重復的代碼和完全透明的結果。

不會像谷歌官方發布會那樣，用CoT@32對比5-shot了。

一句話結果：Gemini Pro版本接近但略遜于GPT-3.5 Turbo，GPT-4還是遙遙領先。

在深入分析中還發現Gemini一些奇怪特性，比如選擇題喜歡選D……

不少研究者表示，太卷了，Gemini剛發布沒幾天就搞出這么詳細的測試。

六大任務深入測試

這項測試具體比較了6大任務，分別選用相應的數據集：

• 知識問答：MMLU
• 推理：BIG-Bench Hard
• 數學：GSM8k、SVAMP、ASDIV、MAWPS
• 代碼：HumanEval、ODEX
• 翻譯：FLORES
• 上網沖浪：WebArena

知識問答：喜歡選D

從結果可以看出，使用思維鏈提示在這類任務上不一定能帶來提升。

MMLU數據集里都是多選題，對結果進一步分析還發現奇怪現象：Gemini更喜歡選D。

GPT系列在4個選項上的分布就要平衡很多，團隊提出這可能是Gemini沒針對多選題做大量指令微調造成的。

另外Gemini的安全過濾比較嚴重，涉及道德問題只回答了85%，到了人類性行為相關問題只回答了28%。

Gemini Pro表現超過GPT-3.5的兩個科目是安全研究和高中微觀經濟學，但差距也不大，團隊表示分析不出來什么特別的。

推理：長問題不擅長

Gemini Pro在更長、更復雜的問題上表現不佳，而GPT系列對此更穩健。

GPT-4 Turbo尤其如此，即使在較長的問題上也幾乎沒有性能下降，表明它具有理解復雜問題的強大能力。

如果按問題類型來分析，Gemini特別不擅長“tracking_shuffled_objects”這類問題，也就人們交換物品，最后讓AI判斷誰擁有哪些物品。

Gemini比較擅長的任務是，需要世界知識的體育運動理解、操作符號堆棧、按字母順序排序單詞，解析表格。

數學：復雜任務反超

這一次問題本身太長Gemini Pro和GPT-3.5表現就一起下降，只有GPT-4還能保持一貫水準。

但使用的思維鏈提示長度最長時，Gemini反超GPT-3.5。

代碼：擅長matplotlib

對于代碼問題，Gemini在參考答案長的問題上表現很差。

按調用的庫來分類，GPT系列在大多數類型更強，但matplotlib就完全不行。

翻譯：只要回答了，質量就很高

翻譯任務上，有12種類型Gemini拒絕回答，但是只要回答了的翻譯質量都很高，整體表現超過GPT-4。

Gemini拒絕翻譯的類型主要涉及拉丁語、阿拉伯語。

網絡導航：擅長跨站點沖浪

WebArena給AI模擬了一個互聯網環境，包括電子商務、社交論壇、GitLab協作開發、內容管理系統和在線地圖等，需要AI查找信息或跨站點完成任務。

Gemini在整體表現不如GPT-3.5 Turbo，但在跨多個站點的任務中表現稍好。

網友：但是它免費啊

最后，CMU副教授Graham Neubig承認了這項研究的一些局限性。

• 基于API的模型行為可能隨時變化
• 只嘗試了有限數量的提示，對不同模型來說適用的提示詞可能不一樣
• 無法控制測試集是否泄露

谷歌大模型推理團隊負責人周登勇指出，對于推理任務把Gemini的溫度設置為0可以提高5-10個百分點。

這項測試中除了Gemini與GPT系列，還搭上了最近很受關注的開源MoE模型Mixtral。

不過強化學習專家Noam Brown認為可以忽略其中Mixtral的結果，因為用的是第三方API而非官方實現。

Mistral AI創始人也來給團隊提供了官方版調用權限，認為能得到一個更好的結果。

總得來，雖然Gemini Pro還是不如GPT-3.5，但是它勝在每分鐘調用不超過60次就免費。

所以還是有不少個人開發者已經轉換了陣營。

目前Gemini最高版本Ultra版尚未發布，到時CMU團隊也有意繼續這項研究。

你覺得Gemini Ultra能達到GPT-4水平么？

論文：https://arxiv.org/abs/2312.11444。

參考鏈接：
[1]https://twitter.com/gneubig/status/1737108977954251216。