大模型智障檢測+1：Strawberry有幾個r紛紛數不清，最新最強Llama3.1也傻了
繼分不清9.11和9.9哪個大以后，大模型又“集體失智”了！
數不對單詞“Strawberry”中有幾個“r”，再次引起一片討論。
GPT-4o不僅錯了還很自信。
剛出爐的Llama-3.1 405B，倒是能在驗證中發現問題并改正。
比較離譜的是Claude 3.5 Sonnet，還越改越錯了。
說起來這并不是最新發現的問題，只是最近新模型接連發布，非常熱鬧。
一個個號稱自己數學漲多少分，大家就再次拿出這個問題來試驗，結果很是失望。
在眾多相關討論的帖子中，還翻出一條馬斯克對此現象的評論：
好吧，也許AGI比我想象的還要更遠。
路遇失智AI，拼盡全力終于教會
有人發現，即使使用Few-Shot CoT，也就是“一步一步地想”大法附加一個人類操作示例，ChatGPT依然學不會：
倒是把r出現的位置都標成1，其他標成0，問題的難度下降了，但是數“1”依舊不擅長。
為了教會大模型數r，全球網友腦洞大開，開發出各種奇奇怪怪的提示詞技巧。
比如讓ChatGPT使用漫畫《死亡筆記中》高智商角色“L”可能使用的方法。
ChatGPT想出的方法倒是也很樸素，就是分別把每個字母寫出來再一個一個數并記錄位置，總之終于答對了。
有Claude玩家寫了整整3682個token的提示詞，方法來自DeepMind的Self-Discover論文，可以說是連夜把論文給復現了。
整個方法分為兩大階段：先針對特定任務讓AI自我發現推理步驟，第二階段再具體執行。
發現推理步驟的方法簡單概括就是，不光要會抽象的思維方法，也要具體問題具體分析。
這套方法下，Claude給出的答案也非常復雜。
作者補充，花這么大力氣解決“數r問題”其實并不真正實用，只是在嘗試復現論文方法時偶然測試到了，希望能找出一個能用來回答所有問題的通用提示詞。
不過很可惜，這位網友目前還沒公布完整的提示詞。
還有人想到更深一層，如果要計算文檔中straberry出現多少次怎么辦？
他的方法是讓AI想象有一個從0開始的內存計數器，每次遇到這個單詞就往上加。
有人評論這種方法就像在用英語編程。
也有AI可以一次做對
那么究竟有沒有大模型，可以不靠額外提示詞直接答對呢？
其實不久之前有網友報告，ChatGPT是有小概率能直接答對的，只不過不常見。
谷歌Gemini 大概有三分之二的概率能答對，打開“草稿”就能發現，默認每個問題回答三次，兩次對一次錯。
至于國內選手，在提問方式統一、每個模型只給一次嘗試機會的測試下，上次能正確判斷數字大小的，這次同樣穩定發揮。
字節豆包給出了正確回答，還猜測用戶問這個問題是要學習單詞拼寫嗎？
智譜清言的ChatGLM，自動觸發了代碼模式，直接給出正確答案“3”。
騰訊元寶像解數學題一樣列方程給出了正確答案（雖然貌似沒有必要）。
文心一言4.0收費版則更加詳細，也是先正確理解了意圖，然后掰指頭挨個找出了全部的“r”。
不過有意思的是，在同一種方法下，文心一言APP中的免費版文心3.5掰指頭也能數錯。
訊飛星火也通過找出“r”所在位置給出了正確回答。
還是token的鍋
雖然“數r”和“9.11與9.9哪個大”，看似一個是數字問題一個是字母問題，但對于大模型來說，都是token問題。
單個字符對大模型來說意義有限，使用GPT系列的Llama系列的tokenizer就會發現，20個字符的問題，在不同AI眼中是10-13個token。
其中相同之處在于，strawberry被拆成了st-，raw，-berry三個部分來理解。
換一個思路用特殊字符??????????來提問，每一個字符對應的token也就會分開了。
面對這種問題，其實最簡單的方法就是像智譜清言一樣，調用代碼來解決了。
可以看到，ChatGPT直接用Python語言字符串的count函數，就能簡單搞定。
剛剛創業開了所學校的大神卡帕西認為，關鍵在于需要讓AI知道自己能力的邊界，才能主動去調用工具。
至于教給大模型判斷自己知道不知道的方法，Meta在LLama 3.1論文中也有所涉及。
最后正如網友所說，希望OpenAI等大模型公司，都能在下個版本中解決這個問題。
GPT Tokenizer試玩https://gpt-tokenizer.dev
Llama Tokenizer試玩https://belladoreai.github.io/llama-tokenizer-js/example-demo/build/
