GPT-4震撼發(fā)布：多模態(tài)大模型，直接升級ChatGPT、必應，開放API

機器之心報道

(資料圖)

機器之心編輯部

ChatGPT 點燃了科技行業(yè)的明燈，GPT-4 能燎原嗎？

誰能革得了 ChatGPT 的命？現(xiàn)在看來還是 OpenAI 自己。

在 ChatGPT 引爆科技領域之后，人們一直在討論 AI「下一步」的發(fā)展會是什么，很多學者都提到了多模態(tài)，我們并沒有等太久。今天凌晨，OpenAI 發(fā)布了多模態(tài)預訓練大模型 GPT-4。

GPT-4 實現(xiàn)了以下幾個方面的飛躍式提升：強大的識圖能力；文字輸入限制提升至 2.5 萬字；回答準確性顯著提高；能夠生成歌詞、創(chuàng)意文本，實現(xiàn)風格變化。

「GPT-4 是世界第一款高體驗，強能力的先進AI系統(tǒng)，我們希望很快把它推向所有人，」OpenAI 工程師在介紹視頻里說道。

似乎是想一口氣終結(jié)這場游戲，OpenAI 既發(fā)布了論文（更像是技術報告）、 System Card，把 ChatGPT 直接升級成了 GPT-4 版的，也開放了 GPT-4 的 API。

另外，微軟營銷主管在 GPT-4 發(fā)布后第一時間表示：「如果你在過去六周內(nèi)的任何時候使用過新的 Bing 預覽版，你就已經(jīng)提前了解了 OpenAI 最新模型的強大功能?！故堑?，微軟的新必應早就已經(jīng)用上了GPT-4。

接下來，就讓我們細細品味這場震撼發(fā)布。

GPT-4：我 SAT 考 710，也能當律師

GPT-4 是一個大型多模態(tài)模型，能接受圖像和文本輸入，再輸出正確的文本回復。實驗表明，GPT-4 在各種專業(yè)測試和學術基準上的表現(xiàn)與人類水平相當。例如，它通過了模擬律師考試，且分數(shù)在應試者的前 10% 左右；相比之下，GPT-3.5 的得分在倒數(shù) 10% 左右。

OpenAI 花了 6 個月的時間使用對抗性測試程序和 ChatGPT 的經(jīng)驗教訓對 GPT-4 進行迭代調(diào)整 ，從而在真實性、可控性等方面取得了有史以來最好的結(jié)果。

在過去的兩年里，OpenAI 重建了整個深度學習堆棧，并與 Azure 一起為其工作負載從頭開始設計了一臺超級計算機。一年前，OpenAI 在訓練 GPT-3.5 時第一次嘗試運行了該超算系統(tǒng)，之后他們又陸續(xù)發(fā)現(xiàn)并修復了一些錯誤，改進了其理論基礎。這些改進的結(jié)果是 GPT-4 的訓練運行獲得了前所未有的穩(wěn)定，以至于 OpenAI 能夠提前準確預測 GPT-4 的訓練性能，它也是第一個實現(xiàn)這一點的大模型。OpenAI 表示他們將繼續(xù)專注于可靠的擴展，進一步完善方法，以幫助其實現(xiàn)更強大的提前預測性能和規(guī)劃未來的能力，這對安全至關重要。

OpenAI 正在通過 ChatGPT 和 API（有候補名單）發(fā)布 GPT-4 的文本輸入功能。圖像輸入功能方面，為了獲得更廣泛的可用性，OpenAI 正在與其他公司展開合作。

OpenAI 今天還開源了 OpenAI Evals，這是其用于自動評估 AI 模型性能的框架。OpenAI 表示此舉是為了讓所有人都可以指出其模型中的缺點，以幫助 OpenAI 進一步改進模型。

有趣的是，GPT-3.5 和 GPT-4 之間的區(qū)別很微妙。當任務的復雜性達到足夠的閾值時，差異就會出現(xiàn) ——GPT-4 比 GPT-3.5 更可靠、更有創(chuàng)意，并且能夠處理更細微的指令。為了了解這兩個模型之間的差異，OpenAI 在各種基準和一些為人類設計的模擬考試上進行了實驗。

OpenAI 還在為機器學習模型設計的傳統(tǒng)基準上評估了 GPT-4。GPT-4 大大優(yōu)于現(xiàn)有的大型語言模型，以及大多數(shù) SOTA 模型：

許多現(xiàn)有的機器學習基準測試都是用英語編寫的。為了初步了解 GPT-4 在其他語言上的能力，研究團隊使用 Azure Translate 將 MMLU 基準 —— 一套涵蓋 57 個主題的 14000 個多項選擇題 —— 翻譯成多種語言。在測試的 26 種語言的 24 種中，GPT-4 優(yōu)于 GPT-3.5 和其他大語言模型（Chinchilla、PaLM）的英語語言性能：

就像許多使用 ChatGPT 的公司一樣，OpenAI 表示他們內(nèi)部也在使用 GPT-4，因此 OpenAI 也在關注大型語言模型在內(nèi)容生成、銷售和編程等方面的應用效果。OpenAI 還使用 GPT-4 輔助人們評估 AI 輸出，這也是 OpenAI 對其策略的第二階段。OpenAI 既是 GPT-4 的開發(fā)者，也是使用者。

GPT-4：我能玩梗圖

GPT-4 可以接受文本和圖像形式的 prompt，新能力與純文本設置并行，允許用戶指定任何視覺或語言任務。

具體來說，它在人類給定由散布的文本和圖像組成的輸入的情況下生成相應的文本輸出（自然語言、代碼等）。在一系列領域 —— 包括帶有文本和照片的文檔、圖表或屏幕截圖上 ——GPT-4 展示了與純文本輸入類似的功能。此外，它還可以通過為純文本語言模型開發(fā)的測試時間技術得到增強，包括少樣本和思維鏈 prompt。

比如給 GPT-4 一個長相奇怪的充電器的圖片，問為什么這很可笑？

GPT-4 回答道，VGA 線充 iPhone。

格魯吉亞和西亞的人均每日肉類消費，算平均數(shù)：

看起來，現(xiàn)在的 GPT 已經(jīng)不會在計算上胡言亂語了：

還是太簡單，那直接讓它做題，還是個物理題：

GPT-4 看懂了法語題目，并完整解答：

GPT-4 可以理解一張照片里「有什么不對勁的地方」：

GPT-4 還可以量子速讀看論文，如果你給它 InstructGPT 的論文，讓它總結(jié)摘要，就會變成這樣：

如果你對論文里的某一個圖感興趣呢？GPT-4 也可以解釋一下：

接著來，問 GPT-4 梗圖是什么意思：

它給出了詳細的回答：

那么漫畫呢？

讓 GPT-4 解釋為什么要給神經(jīng)網(wǎng)絡加層數(shù)，似乎有一點加倍的幽默感。

不過 OpenAI 在這里說了，圖像輸入是研究預覽，仍不公開。

研究人員用學術的 Benchmark 視角來解讀 GPT-4 的看圖能力，然而這已經(jīng)不夠了，他們還能不斷發(fā)現(xiàn)該模型可以令人興奮地處理新任務 —— 現(xiàn)在的矛盾是 AI 的能力和人類想象力之間的矛盾。

看到這里，應該有研究人員感嘆：CV 不存在了。

可控性

與具有固定冗長、平靜語氣和風格的經(jīng)典 ChatGPT 個性不同，開發(fā)人員（以及 ChatGPT 用戶）現(xiàn)在可以通過在「系統(tǒng)」消息中描述這些方向來規(guī)定他們的 AI 的風格和任務。

系統(tǒng)消息允許 API 用戶在一定范圍內(nèi)定制化實現(xiàn)不同的用戶體驗。OpenAI 知道你們在讓 ChatGPT 玩 Cosplay，也鼓勵你們這樣做。

局限性

盡管功能已經(jīng)非常強大，但 GPT-4 仍與早期的 GPT 模型具有相似的局限性，其中最重要的一點是它仍然不完全可靠。OpenAI 表示，GPT-4 仍然會產(chǎn)生幻覺、生成錯誤答案，并出現(xiàn)推理錯誤。

目前，使用語言模型應謹慎審查輸出內(nèi)容，必要時使用與特定用例的需求相匹配的確切協(xié)議（例如人工審查、附加上下文或完全避免使用） 。

總的來說，GPT-4 相對于以前的模型（經(jīng)過多次迭代和改進）已經(jīng)顯著減輕了幻覺問題。在 OpenAI 的內(nèi)部對抗性真實性評估中，GPT-4 的得分比最新的 GPT-3.5 模型高 40%：

GPT-4 在 TruthfulQA 等外部基準測試方面也取得了進展，OpenAI 測試了模型將事實與錯誤陳述的對抗性選擇區(qū)分開的能力，結(jié)果如下圖所示。

實驗結(jié)果表明，GPT-4 基本模型在此任務上僅比 GPT-3.5 略好；然而，在經(jīng)過 RLHF 后訓練之后，二者的差距就很大了。以下是 GPT-4 的測試示例 —— 并不是所有時候它都能做出正確的選擇。

該模型在其輸出中可能會有各種偏見，OpenAI 在這些方面已經(jīng)取得了進展，目標是使建立的人工智能系統(tǒng)具有合理的默認行為，以反映廣泛的用戶價值觀。

GPT-4 通常缺乏對其絕大部分數(shù)據(jù)截止后（2021 年 9 月）發(fā)生的事件的了解，也不會從其經(jīng)驗中學習。它有時會犯一些簡單的推理錯誤，這似乎與這么多領域的能力不相符，或者過于輕信用戶的明顯虛假陳述。有時它也會像人類一樣在困難的問題上失敗，比如在它生成的代碼中引入安全漏洞。

GPT-4 預測時也可能出錯但很自信，意識到可能出錯時也不會 double-check。有趣的是，基礎預訓練模型經(jīng)過高度校準（其對答案的預測置信度通常與正確概率相匹配）。然而，通過 OpenAI 目前的后訓練（post-training）過程，校準減少了。

風險及緩解措施

OpenAI 表示，研究團隊一直在對 GPT-4 進行迭代，使其從訓練開始就更加安全和一致，所做的努力包括預訓練數(shù)據(jù)的選擇和過濾、評估和專家參與、模型安全改進以及監(jiān)測和執(zhí)行。

GPT-4 有著與以前的模型類似的風險，如產(chǎn)生有害的建議、錯誤的代碼或不準確的信息。同時，GPT-4 的額外能力導致了新的風險面。為了了解這些風險的程度，團隊聘請了 50 多位來自人工智能對齊風險、網(wǎng)絡安全、生物風險、信任和安全以及國際安全等領域的專家，對該模型在高風險領域的行為進行對抗性測試。這些領域需要專業(yè)知識來評估，來自這些專家的反饋和數(shù)據(jù)為緩解措施和模型的改進提供了依據(jù)。

預防風險

按照 demo 視頻里 OpenAI 工程師們的說法，GPT-4 的訓練在去年 8 月完成，剩下的時間都在進行微調(diào)提升，以及最重要的去除危險內(nèi)容生成的工作。

GPT-4 在 RLHF 訓練中加入了一個額外的安全獎勵信號，通過訓練模型拒絕對此類內(nèi)容的請求來減少有害的輸出。獎勵是由 GPT-4 的零樣本分類器提供的，它判斷安全邊界和安全相關 prompt 的完成方式。為了防止模型拒絕有效的請求，團隊從各種來源（例如，標注的生產(chǎn)數(shù)據(jù)、人類的紅隊、模型生成的 prompt）收集多樣化的數(shù)據(jù)集，在允許和不允許的類別上應用安全獎勵信號（有正值或負值）。

這些措施大大在許多方面改善了 GPT-4 的安全性能。與 GPT-3.5 相比，模型對不允許內(nèi)容的請求的響應傾向降低了 82%，而 GPT-4 對敏感請求（如醫(yī)療建議和自我傷害）的響應符合政策的頻率提高了 29%。

訓練過程

與之前的 GPT 模型一樣，GPT-4 基礎模型經(jīng)過訓練可以預測文檔中的下一個單詞。OpenAI 使用公開可用的數(shù)據(jù)（例如互聯(lián)網(wǎng)數(shù)據(jù)）以及已獲得許可的數(shù)據(jù)進行訓練。訓練數(shù)據(jù)是一個網(wǎng)絡規(guī)模的數(shù)據(jù)語料庫，包括數(shù)學問題的正確和錯誤解決方案、弱推理和強推理、自相矛盾和一致的陳述，以及各種各樣的意識形態(tài)和想法。

因此，當提出問題時，基礎模型的回應可能與用戶的意圖相去甚遠。為了使其與用戶意圖保持一致，OpenAI 依然使用強化學習人類反饋 (RLHF) 來微調(diào)模型的行為。請注意，該模型的能力似乎主要來自預訓練過程 ——RLHF 不會提高考試成績（甚至可能會降低它）。但是模型的控制來自后訓練過程 —— 基礎模型甚至需要及時的工程設計來回答問題。

GPT-4 的一大重點是建立了一個可預測擴展的深度學習棧。主要原因是，對于像 GPT-4 這樣的大型訓練，進行廣泛的特定模型調(diào)整是不可行的。團隊開發(fā)了基礎設施和優(yōu)化，在多種規(guī)模下都有可預測的行為。為了驗證這種可擴展性，他們提前準確地預測了 GPT-4 在內(nèi)部代碼庫（不屬于訓練集）上的最終損失，方法是通過使用相同的方法訓練的模型進行推斷，但使用的計算量為 1/10000。

現(xiàn)在，OpenAI 可以準確地預測在訓練過程中優(yōu)化的指標（損失）。例如從計算量為 1/1000 的模型中推斷并成功地預測了 HumanEval 數(shù)據(jù)集的一個子集的通過率：

有些能力仍然難以預測。例如，Inverse Scaling 競賽旨在找到一個隨著模型計算量的增加而變得更糟的指標，而 hindsight neglect 任務是獲勝者之一。GPT-4 扭轉(zhuǎn)了這一趨勢。

能夠準確預測未來的機器學習能力對于技術安全來說至關重要，但它并沒有得到足夠的重視，OpenAI 表示正在投入更多精力開發(fā)相關方法，并呼吁業(yè)界共同努力。

OpenAI 表示正在開源 OpenAI Evals 軟件框架，它被用于創(chuàng)建和運行基準測試以評估 GPT-4 等模型，同時可以逐樣本地檢查模型性能。

ChatGPT 直接升級至 GPT-4 版

GPT-4 發(fā)布后，OpenAI 直接升級了 ChatGPT。ChatGPT Plus 訂閱者可以在 chat.openai.com 上獲得具有使用上限的 GPT-4 訪問權限。

要訪問 GPT-4 API（它使用與 gpt-3.5-turbo 相同的 ChatCompletions API），用戶可以注冊等待。OpenAI 會邀請部分開發(fā)者體驗。

獲得訪問權限后，用戶目前可以向 GPT-4 模型發(fā)出純文本請求（圖像輸入仍處于有限的 alpha 階段）。至于價格方面，定價為每 1k 個 prompt token 0.03 美元，每 1k 個 completion token 0.06 美元。默認速率限制為每分鐘 40k 個 token 和每分鐘 200 個請求。

GPT-4 的上下文長度為 8,192 個 token。OpenAI 還提供了 32,768 個 token 上下文（約 50 頁文本）版本的有限訪問，該版本也將隨著時間自動更新（當前版本 gpt-4-32k-0314，也支持到 6 月 14 日)。定價為每 1K prompt token 0.06 美元和每 1k completion token 0.12 美元。

以上，就是今天 OpenAI 關于 GPT-4 的所有內(nèi)容了。令人不滿的一點是，OpenAI 公開的技術報告中，不包含任何關于模型架構(gòu)、硬件、算力等方面的更多信息，可以說是很不 Open 了。

不管怎樣，迫不及待的用戶大概已經(jīng)開始測試體驗了吧。

最后，也想問一下讀者，看完 GPT-4 的發(fā)布，你有何感想。

參考內(nèi)容：https://openai.com/product/gpt-4

關鍵詞：