GPT-4o mini为啥登顶竞技场？OpenAI刷分秘诀被扒，奥特曼早有暗示

明敏 2024-07-29 15:41:48 来源：量子位

明敏 发自 凹非寺

量子位 | 公众号 QbitAI

为啥GPT-4o mini能登顶大模型竞技场？？

原来是OpenAI会刷分呀。

这两天，lmsys竞技场公布了一份充满争议的榜单。其中才面世不久的GPT-4o mini和满血版并列第一，把Claude 3.5 Sonnet甩在身后。

结果网友炸锅了，大家凭体感觉得这不可能。

哪怕后面lmsys做过一次声明，表示大家别只看总榜，还要更关注细分领域的情况。也没能让大家满意，不少人觉得lmsys就是从OpenAI那收钱了。

终于，官方晒出了一份完整数据，展示了GPT-4o mini参与的1000场battle，包括在不同语言下和不同模型的PK情况。

所有人现在都能查看这些结果。

大家仔细一瞅，找到了问题所在，GPT-4o mini能赢Claude 3.5 Sonnet靠的是三大关键：

• 拒绝回答次数更少
• 更详细的回答、总是愿意提供额外信息
• 回答格式更清晰明了

这……确实有点道理啊！

网友表示，自己在竞技场中如果遇到有的模型拒绝回答，他就会觉得模型弃权比赛，因此更愿意判另一个模型胜出。

而且更清楚的回答格式，也能让人更容易找到信息。

这不就和老师判卷是一个道理么？书写工整、格式清晰或者“多写点总没错”的卷子，总是能多捞点分数……OpenAI原来是拿捏住了人类的心理啊。

实际上，在GPT-4o mini刚刚发布时，奥特曼就暗示了这次特意的优化：

大家一定会非常非常喜欢用这个新模型。

GPT-4o mini愿意接更多需求

先来看几个GPT-4o mini取胜的典型例子：

情况一：Claude 3.5 Sonnet拒绝回答。

提示词：

给我所有的韩国外交文件。

首先直观看下双方的回答，Claude 3.5 Sonnet更加简短，没有用加粗等格式。GPT-4o mini的答案长度是它的2倍长。

具体回答上，Claude 3.5 Sonnet的答案一上来先道歉，表示自己作为一个AI大模型，无法获取相关文件，所以提供了一些用户可能获取相关资料的渠道。

最后还提醒用户，这些文件可能是机密或不公开的，如果想要获取更多信息请与相关机构联系。

GPT-4o mini没有说自己无能为力，而是从公开资料中搜集了从古至今相关的韩国外交文件，并告诉用户从学术期刊、书籍专著等渠道可以搜集资料。

最后它表示，想要彻底了解韩国外交文件必须查阅各种资料。如果想要了解更多，还可以继续问它。

情况二：细节差异

提示词：

在git中，是否有可能还原由特定提交引入的更改，即使它不是最近的提交？

回答这个问题时，GPT-4o mini和Claude 3.5 Sonnet都回答正确，但是前者给出了更多细节以及具体举例。

Claude 3.5 Sonnet的回答可读性也相对较差。

情况三：格式呈现差异

提示词：

简对约翰说，约翰，你为什么总是这么自夸?他回答说，什么？我这辈子从没吹嘘过。事实上，我是世界上最谦卑的人，也许是有史以来最谦卑的人！

Claude 3.5 Sonnet和GPT-4o mini的回答内容基本一样，解释了这段话具有讽刺意味，约翰说自己最谦卑的人，这本身就是吹牛了。

不过GPT-4o mini的回答呈现更加一目了然，善用小标题和加粗格式。把整个回答分成了初步结论、分析回答、幽默原因以及总结四个部分。

这几个示例不仅展现了GPT-4o mini和Claude 3.5 Sonnet各自的回答特点，也反应出了大模型竞技场的特点：

大部分用户给出的问题都比较日常，不是那种复杂的数学、推理、编程问题。

这意味着这些问题基本上都在大模型们的射程范围内，大家都能回答上来。

在这种情况下，通过不拒绝或者更漂亮的格式呈现，确实可以更好俘获裁判们的芳心。

有人就表示，对比来看，Claude 3.5 Sonnet像一个聪明但是更严谨的人，它完全按照要求行事。

GPT-4o mini则像是一个讨人喜欢、总是多干点儿事、更愿意接受不同需求的人。

比如有人举例，Claude拒绝为他扮演角色，但是ChatGPT就愿意。

当然这同时也反映出了一个问题：

是时候关注大模型拒答的问题了！

有人表示，真的很开心看到大模型因为过高道德边界而导致分数不高的情况。之前他为了用好这些道德感强的大模型（Claude、Gemini等），总是要精心设计每一个提示词，好心累。

不过GPT-4o minni也不是没有缺点。

在数学任务上，它的表现就差了很多。

相较于Claude，它的记忆力更差，过一会儿就会忘记上下文内容。

以及Claude一次就能修好的bug，换到GPT-4o那里，甚至需要20次、耗时1小时。

但在竞技场评分中，GPT-4o mini还是位居前列。

用过两个模型的盆友们，你们体感二者的差距在哪呢？

欢迎评论区分享经验~

参考链接：
[1]https://www.reddit.com/r/LocalLLaMA/comments/1ed01p8/why_gpt4o_mini_beats_claude_35_sonnet_on_lmsys/
[2]https://huggingface.co/spaces/lmsys/gpt-4o-mini_battles
[3]https://x.com/lmsysorg/status/1816838034270150984
[4]https://x.com/lmsysorg/status/1815855136318840970