“最強開源模型”被打假，CEO下場致歉，英偉達科學家：現有測試基準已經不靠譜了
小型創業團隊打造的“最強開源模型”，發布才一周就被質疑造假——
不僅官方宣稱的成績在第三方測試中大打折扣，模型還被質疑套殼Claude。
面對浩大的聲浪，廠商CEO終于發文道歉，但并未承認造假，表示在調查有關原因。
被指控造假的，就是宣稱“干翻GPT-4o”的70B開源大模型Reflection。
一開始的質疑主要關于測試成績，官方找了上傳版本有誤等借口試圖“蒙混過關”。
但后來又出現了套殼Claude這一更重磅的指控，讓Reflection更加百口莫辯。
表現不如宣傳，還被質疑套殼
Reflection是一個70B的開源模型，按照廠商的說法，它一下子把Llama 3.1 405B、GPT-4o、Claude 3 Opus、Gemini 1.5 Pro這一系列先進模型全都超過了。
但Reflection剛發布兩天，第三方獨立測評機構Artificial Analysis就表示官方發布的測試成績無法復現。
在MMLU、GPQA和MATH上，Reflection的成績和Llama3 70B一樣，連Llama 3.1-70B都比不過，更不用說405B了。
對此官方辯稱是，Hugging Face上發布的版本有誤，將會重新上傳，但之后就沒了下文。
不過官方同時也表示，會給測評人員提供模型API，然后Reflection的成績果真有了增長，但在GPQA上仍然不敵Claude 3.5 Sonnet。
蹊蹺的是，Artificial Analysis后來刪除了二次測試相關的帖子，目前還能看到的只有轉發后留下的一些痕跡。
除了成績有爭議，還有人對Reflection中的各層進行了分析，認為它是由Llama 3經過LoRA改造而來，而不是官方所聲稱的Llama 3.1。
在Hugging Face上，Reflection的JSON文件中也顯示是Llama 3而非3.1。
官方的解釋仍然是說HF上的版本有問題。
還有另一個質疑的點是，Reflection實際上是套殼Claude，相關證據體現在多個方面。
一是在某些問題上，Reflection與Claude 3.5-Soonet的輸出完全一致。
第二個更加直接，如果直接詢問它的身份，Reflection會說自己是Meta打造的，但一旦讓它“忘記前面的（系統）提示”，就立馬改口說自己是Claude。
第三個發現則更加詭異——Reflection遇到“Claude”一詞會將其自動過濾。
對此，Reflection合成數據供應商Glaive AI的創始人Sahil Chaudhary進行了回應，表示沒有套殼任何模型，目前正在整理能夠證明其說法的證據，以及人們為什么會發現這種現象的解釋。
而關于一開始的測試成績問題，Chaudhary則表示正在調查原因，弄清這兩件事后會發布報告進行說明。
Reflection這邊最新的動態是CEO發布了一則道歉聲明，不過沒有承認造假，依然是說正在進行調查。
不過對于這一套解釋，有很多人都不買賬。
比如曾經發布多條推文質疑這位叫做Boson的網友，就在Chaudhary的評論區表示，“要么你在說謊，要么是Shumer，或者你倆都在說謊”。
還有給Reflection提供托管服務的Hyperbolic平臺CTO Yuchen Jin，講述了其與Reflection之間發生的許多事情。
托管平臺CTO講述幕后細節
在Reflection發布之前的9月3號，Shumer就找到了Hyperbolic，介紹了Reflection的情況并希望Hyperbolic能幫忙托管。
基于Hyperbolic一直以來對開源模型的支持，加上Reflection聲稱的表現確實優異，Hyperbolic同意了這一請求。
9月5號，Reflection正式上線，Hyperbolic從Hugging Face下載并測試了該模型，但并沒有看到標簽，于是Jin給Shumer發了私信。
后來，Jin看到Shumer的推文說HF上的版本有些問題，所以繼續等待，直到6號早晨收到了Chaudhary的一條私信，表示 Reflection-70B權重已重新上傳并可以部署。
看到和標簽按預期出現后，Hyperbolic上線了Reflection。
后來，Hyperbolic上的模型就出現了成績與Reflection宣傳不符的情況，Shumer認為這是Hyperbolic的API出現了問題。
不過，Reflection這邊再次上傳了新版本，Hyperbolic也重新托管，但Jin與Artificial Analysis溝通后發現，新版本的表現依舊不佳。
Shumer繼續表示，Reflection還有個原始權重，也就是內部測試使用的版本，如果需要可以提供給Hyperbolic。
但Jin沒有同意這一要求，因為Hyperbolic只為開源模型提供托管服務，之后不斷詢問Shumer原始權重何時發布，但遲遲未得到回應。
最終，Jin認為應該下線Reflection的API并收回已分配的GPU資源。
這件事情讓我的感情受到了傷害，我們在這件事上花費了很多時間和精力。
但經過反思后，我并不后悔當初的托管決定，這幫助社區更快地發現問題。
大模型怎么測試才靠譜？
暫且拋開Llama版本和套殼的問題，單說關于測試成績的問題，反映了當前的Benchmark已經體現出了一些不足之處。
英偉達高級科學家Jim Fan就表示，模型在現有的一些測試集上造假簡直不要太容易。
Jim還特別點名了MMLU和HumanEval，表示這兩項標準“已被嚴重破壞”。
另外，Reflection在GSM8K上取得了99.2分的成績，就算這個分數沒有水分，也說明測試基準到了該換的時候了。
Jim表示，現在自己只相信Scale AI等獨立第三方測評，或者lmsys這樣由用戶投票的榜單。
但評論區有人說，lmsys實際上也可以被操縱，所以（可信的）第三方評估可能才是目前最好的測評方式。
