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的谈判东说念主员通过我方实测，给群众来了一个客不雅中立第三方的对比。后果却是GPT-3.5实在照旧全面优于Gemini Pro，不外两边差距不大。
谷歌最近发布的Gemini掀翻了不小的海潮。
毕竟，诳言语模子限制实在是OpenAI的GPT一家独大的局势。
不外手脚吃瓜公共，天然但愿科技公司都卷起来，大模子都打起来！
是以，手脚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，觉得我方是文心一言啦。
不外问题不大，我们不看告白看疗效。
最近在CMU，谈判东说念主员进行了一组平允、深刻和可重叠的实践测试， 重心比较了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
谈判东说念主员在论文中对Google Gemini的话语智力进行了深刻地探索，
从第三方的角度，对OpenAI GPT和Google Gemini模子的智力进行了客不雅比较，公开了代码和比较后果。
我们不错从中发现两个模子离别擅长的限制。
谈判东说念主员比较了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，实践中尝试戒指扫数变量，对扫数模子使用相通的领导、生成参数和评估。
评测中使用了LiteLLM以调和的状貌查询模子，使用try_zeno作念全面深刻的分析。
测试模子
谈判比较了Gemini Pro、GPT-3.5 Turbo、GPT-4 Turbo以及Mixtral，指出了他们在智力上的不同。
特色：Gemini Pro是多模态的，通过视频、文本和图像进行磨练。GPT-3.5 Turbo和GPT-4 Turbo则主要基于文本磨练，其中GPT-4 Turbo是多模态的。
测试复现步调
更便捷的复现步调：点击下文测试任务的贯穿即可干涉CMU集成好的基于Zeno的AI评估平台进行考据
GitHub贯穿：
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、计较机科学、法律等。任务涵盖的学问很庸碌，话语是英文，用以评测大模子基本的学问隐敝边界和线路智力。
用5-shot和念念维链领导词的MMLU任务总体准确率如下图，Gemini Pro均稍微过期GPT-3.5 Turbo
著作也指出使用念念维链领导的性能相反不大，可能是因为 MMLU 主若是基于学问的问答任务，可能不会从更强的面向推理的领导中显着受益。
下图知道Gemini-pro、gpt3.5-turbo、gpt-4-turbo关于多选题谜底输出的比例，后果知道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 尚未针对管制多选题问题，进行无数指示移动，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杰出GPT3.5-turbo。
下图知道gpt3.5最着手Gemini-pro的前四个任务的准确性，和Gemini-pro杰出gpt3.5的两个任务
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、璀璨和多话语推理以及事实仅仅线路任务。
着手，从如下总体精度图中不错看到Gemini Pro罢了的精度略低于GPT 3.5 Turbo，况且远低于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， 着手把柄问题的长度测试一下准确性，后果如下图。
作家发现Gemini Pro在更长、更复杂的问题上进展欠安，而GPT模子对此更谨慎。
GPT-4 Turbo的情况尤其如斯，即使在较长的问题上，它也实在莫得进展出性能下跌，这标明它具有弘大智力来线路更长和更复杂的查询。
GPT-3.5 Turbo的谨慎性处于中间位置。Mixtral在问题长度方面很是相识，但总体准确率较低。
下图再具体列出了GPT-3.5 Turbo进展优于Gemini Pro最多的任务。
Gemini Pro在tracking_shuffled_objects任务上进展很晦气
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的进展以至比Mixtral模子还要差。
天然，有一些任务Gemini Pro优于GPT3.5。
下图知道了 Gemini Pro 比 GPT 3.5 Turbo 进展优秀的六项任务。这些任务需要全国学问（sports_understanding）、操作璀璨堆栈（dyck_languages）、按字母规则排序单词（word_sorting）妥协析表（penguins_in_a_table）等。
著作在此部分临了示意，关于通用推理任务，似乎莫得Gemini和GPT都莫得皆备上风，是以不错都尝试一下
数学问题
基于四个数学运用题评测进行：
职业博彩玩家- 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谨慎的推聪敏力，
- ASDIV 数据集，具有不同的话语形式和问题类型
- MAWPS 基准，由算术和代数运用题构成。
届时，“渝快码”将成为全市自然人和法人的主要数字身份识别码，融合企业群众办事服务的各类卡、码、证功能，实现企业群众扫码办事、扫码亮证，切实提升企业群众办事的获得感、幸福感。
下图知道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，况且远低于 GPT-4 Turbo，这些任务都包含万般化的话语形式。
关于 MAWPS 任务，扫数模子都达到了 90% 以上的准确率，尽管 Gemini Pro 仍然比GPT模子稍差。
酷好的是，在此任务中，GPT-3.5 Turbo的进展以轻微上风胜过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跌。
况且和昔日相同，GPT 3.5 Turbo 在较短的问题上优于 Gemini Pro，但下跌得更快，Gemini Pro 在较长的问题上罢了了近似（但仍稍差）的准确度。
不外在念念维链（CoT）长度杰出100的最复杂例子中，Gemini Pro优于GPT 3.5 Turbo，但在较短示例中进展欠安。
临了，著作谈判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 任务以外，其谜底不杰出两位数）。
如下图所示，GPT-3.5 Turbo似乎关于多位数数学问题愈加谨慎，而Gemini Pro在位数较多的问题上性能下跌更多。
代码生成
在此类别中，著作使用两个代码生成数据集HumanEval和ODEX查验模子的编码智力。
前者测试对Python圭臬库中一组有限函数的基本代码线路。
后者测试使用扫数这个词Python生态系统中更庸碌的库的智力。
它们都将东说念主工编写的英语任务形容（频繁带有测试用例）手脚输入。这些问题用来评估对话语、算法和初等数学的线路。
新手怎么玩欧洲杯总体而言，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，分析最好管制决策长度与模子性能之前的关连，因为管制决策长度不错一定经过上标明相应代码生成的任务的难度。
本文发现，当管制决策长度低于100（即代表处理苟简问题）时，Gemini Pro 不错达到与 GPT-3.5 至极的 Pass@1，但当管制决策变得更长（即处理更难的问题时）时，它会大幅过期。
著作还分析了每个管制决策所需的库如何影响模子性能，后果如下图知道：
把柄后果分析，在大多数使用库的情况下，举例mock、pandas、numpy和datetime，Gemini Pro的进展比GPT-3.5差。
但是，它在 matplotlib 情况下优于 GPT-3.5 和 GPT-4，在通过代码扩充绘制可视化时知道出更强的功能。
底下展示几个具体的失败案例：
着手， Gemini在从Python API中正确遴荐函数和参数方面稍差一些
皇冠账号比如，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，导致类型不匹配无理。
bytes(bytearray.fromhex('4a4b4c'), 'utf-8')
比拟之下，GPT 3.5 Turbo 使用以下代码，达到了预期的后果：
hex_string = '4a4b4c'decoded_string = bytes.fromhex(hex_string).decode('utf-8')return decoded_string
此外，Gemini Pro的无理比例较高，所罢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话语智力，很是是在各式话语对之间翻译的智力。
央博app针对扫数接收的话语对，对测试荟萃的1012个句子进行评估。手脚这项谈判的第一步，本文将边界限定为仅从英语到其他话语（ENG→X）的翻译。
皇冠源码搭建后果知道如下图，Gemini Pro在翻译任务上，总体优于其他模子，在 20 种话语中的 8 种话语上均优于 GPT-3.5 Turbo 和 GPT-4 Turbo，并在4种话语上赢得了最高性能。
诚然在非英语话语翻译方面尚未超越专用机器翻译系统，但通用话语模子也知道出了强竞争力的性能
零样本领导和5样本领导Gemini Pro在翻译任务上均优于其他模子
网页代理（Web Agents）
皇冠客服飞机：@seo3687临了，本文考据每个模子充任荟萃导航代理（web navigation agent）的智力，这是一项需要长久策划和复杂数据线路的任务。
使用 WebArena ，这是一个基于号令扩充的模拟环境，其中顺利圭臬基于扩充后果。分派给代理的任务包括信息查找、站点导航以及实质和竖立操作。
这些任务高出各式网站，包括电子商务平台、酬酢论坛、相助软件建造平台（举例 gitlab）、实质管制系统和在线舆图。
如下图著作从总体后果不错看出，Gemini-Pro 的性能与 GPT-3.5-Turbo 至极，但稍差。
创新
与 GPT-3.5-Turbo 近似，当Prompts提到任务可能无法完成时（UA 领导），Gemini-Pro 的进展会更好。通过 UA 领导，Gemini-Pro 的总体顺利率达到 7.09%。
一次虚拟的体育赛事在皇冠体育上进行，许多赌徒疯狂下注，最终赢家居然是一位名不见经传的新手。
之后著作又按照荟萃进行细分，如下图，不错看到 Gemini-Pro 在 gitlab 和舆图上的进展比 GPT-3.5-Turbo 差，而在购物管制、reddit 和 Shopping 上则接近 GPT-3.5-Turbo 。它在多站点任务上的进展比 GPT-3.5-Turbo 更好。
测试后果总览
在本文中，作家对 Google 的 Gemini 模子进行了第一次平允、深刻的谈判，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。
在临了，作家叠了一些甲：
指出他们使命是针对束缚变化且不相识的API，扫数后果均为示寂 2023 年 12 月 19 日撰写本文时的最新后果，但跟着模子和周围系统的升级，改日可能会发生变化。
后果可能取决于其遴荐的特定领导和生成参数
作家测试时莫得像谷歌真谛使用多个样本和自我一致性（self-consistency），不外作家觉得对不同模子使用一致的prompts的多项任务上进行的测试，赶巧不错合理地展示被测模子的谨慎性和广义指示的罢黜智力
作家指出数据线路对刻下大模子评测任务的困扰，诚然他们莫得明确测量这种线路，但他们也尝试过各式步调来缓解这个问题
在预测中，作家也提议建议，但愿群众在使用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相比好意思。作家也示意Gemini的Ultra版块尚未发布，等其发布后也会考据其是否如报说念所说与GPT4至极。
欧博注册参考云尔：
https://arxiv.org/abs/2312.11444
