新智元报谈太平洋在线在线

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的议论东谈主员通过我方实测，给巨匠来了一个客不雅中立第三方的对比。遵守却是GPT-3.5简直如故全面优于Gemini Pro，不外两边差距不大。

谷歌最近发布的Gemini掀翻了不小的海浪。

毕竟，大讲话模子领域简直是OpenAI的GPT一家独大的地点。

不外手脚吃瓜全球，天然但愿科技公司齐卷起来，大模子齐打起来！

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。

天然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，以为我方是文心一言啦。

不外问题不大，我们不看告白看疗效。

最近在CMU，议论东谈主员进行了一组公正、潜入和可重迭的推行测试， 要点比较了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

议论东谈主员在论文中对Google Gemini的讲话能力进行了潜入地探索，

从第三方的角度，对OpenAI GPT和Google Gemini模子的能力进行了客不雅比较，公开了代码和比较遵守。

我们不错从中发现两个模子分辩擅长的领域。

议论东谈主员比较了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）

为了自制起见，推行中尝试戒指整个变量，对整个模子使用调换的辅导、生成参数和评估。

评测中使用了LiteLLM以和洽的状貌查询模子，使用try_zeno作念全面潜入的分析。

测试模子

议论比较了Gemini Pro、GPT-3.5 Turbo、GPT-4 Turbo以及Mixtral，指出了他们在能力上的不同。

特色：Gemini Pro是多模态的，通过视频、文本和图像进行覆按。GPT-3.5 Turbo和GPT-4 Turbo则主要基于文本覆按，其中GPT-4 Turbo是多模态的。

测试复现本事

更大肆的复现本事：点击下文测试任务的集会即可参加CMU集成好的基于Zeno的AI评估平台进行考证

GitHub集会：

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、策画机科学、法律等。任务涵盖的学问很浩荡，讲话是英文，用以评测大模子基本的学问掩饰领域和意会能力。

用5-shot和想维链辅导词的MMLU任务总体准确率如下图，Gemini Pro均稍稍过期GPT-3.5 Turbo

著作也指出使用想维链辅导的性能相反不大，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辅导中清晰受益。

下图暴露Gemini-pro、gpt3.5-turbo、gpt-4-turbo关于多选题谜底输出的比例，遵守暴露Gemini-pro、gpt3.5-turbo齐有一些谜底偏见，尤其Gemini-pro十分偏向D选项

标明 Gemini 尚未针对科罚多选题问题，进行大宗指示调遣，这可能导致模子在谜底排序方面存在偏差

MMLU的57个子任务中唯独两项Gemini-pro稀疏GPT3.5-turbo。

下图暴露gpt3.5最率先Gemini-pro的前四个任务的准确性，和Gemini-pro稀疏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、符号和多讲话推理以及事实仅仅理罢黜务。

开首，从如下总体精度图中不错看到Gemini Pro齐全的精度略低于GPT 3.5 Turbo，而且远低于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， 开首笔据问题的长度测试一下准确性，遵守如下图。

作家发现Gemini Pro在更长、更复杂的问题上确认欠安，而GPT模子对此更肃肃。

GPT-4 Turbo的情况尤其如斯，即使在较长的问题上，它也简直莫得确认出性能下跌，这标明它具有宏大能力来意会更长和更复杂的查询。

GPT-3.5 Turbo的肃肃性处于中间位置。Mixtral在问题长度方面止境沉着，但总体准确率较低。

下图再具体列出了GPT-3.5 Turbo确认优于Gemini Pro最多的任务。

Gemini Pro在tracking_shuffled_objects任务上确认很灾祸

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确实认以致比Mixtral模子还要差。

天然，有一些任务Gemini Pro优于GPT3.5。

下图暴露了 Gemini Pro 比 GPT 3.5 Turbo 确认优秀的六项任务。这些任务需要宇宙学问（sports_understanding）、操作符号堆栈（dyck_languages）、按字母规章排序单词（word_sorting）息争析表（penguins_in_a_table）等。

著作在此部分临了默示，关于通用推理任务，似乎莫得Gemini和GPT齐莫得十足上风，是以不错齐尝试一下

数学问题

基于四个数学行使题评测进行：

- 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肃肃的推理能力，

- ASDIV 数据集，具有不同的讲话模式和问题类型

- MAWPS 基准，由算术和代数行使题构成。

下图暴露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，而且远低于 GPT-4 Turbo，这些任务齐包含各样化的讲话模式。

关于 MAWPS 任务，整个模子齐达到了 90% 以上的准确率，尽管 Gemini Pro 仍然比GPT模子稍差。

敬爱的是，在此任务中，GPT-3.5 Turbo确实认以渺小上风胜过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上的推理任务雷同，我们不错看到较长任务推感性能会下跌。

而且和畴前雷同，GPT 3.5 Turbo 在较短的问题上优于 Gemini Pro，但下跌得更快，Gemini Pro 在较长的问题上齐全了肖似（但仍稍差）的准确度。

不外在想维链（CoT）长度稀疏100的最复杂例子中，Gemini Pro优于GPT 3.5 Turbo，但在较短示例中确认欠安。

临了，著作议论了比较模子在生成不同位数谜底时的准确性。

笔据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，其谜底不稀疏两位数）。

如下图所示，GPT-3.5 Turbo似乎关于多位数数学问题愈加肃肃，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查验模子的编码能力。

前者测试对Python圭表库中一组有限函数的基本代码意会。

后者测试使用通盘Python生态系统中更浩荡的库的能力。

它们齐将东谈主工编写的英语任务时势（每每带有测试用例）手脚输入。这些问题用来评估对讲话、算法和初等数学的意会。

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：

会谈结束后，阿盟助理秘书长海法·阿布·加扎利与图尔克召开了新闻发布会。

Gemini Pro在两项任务上的Pass@1 收货齐低于GPT-3.5 Turbo，远低于GPT-4 Turbo。

接下来，分析最好科罚决议长度与模子性能之前的联系，因为科罚决议长度不错一定过程上标明相应代码生成的任务的难度。

本文发现，当科罚决议长度低于100（即代表处理大肆问题）时，Gemini Pro 不错达到与 GPT-3.5 特地的 Pass@1，但当科罚决议变得更长（即处理更难的问题时）时，它会大幅过期。

著作还分析了每个科罚决议所需的库怎么影响模子性能，遵守如下图暴露：

笔据遵守分析，在大多数使用库的情况下，举例mock、pandas、numpy和datetime，Gemini Pro确实认比GPT-3.5差。

计议词，它在 matplotlib 情况下优于 GPT-3.5 和 GPT-4，在通过代码奉行绘制可视化时暴涌现更强的功能。

底下展示几个具体的失败案例：

开首， Gemini在从Python API中正确继承函数和参数方面稍差一些

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，导致类型不匹配虚假。

bytes(bytearray.fromhex('4a4b4c'), 'utf-8')

比拟之下，GPT 3.5 Turbo 使用以下代码，达到了预期的遵守：

hex_string = '4a4b4c'decoded_string = bytes.fromhex(hex_string).decode('utf-8')return decoded_string

此外，Gemini Pro的虚假比例较高，所齐全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，只索要唯独的数字，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讲话能力，止境是在各式讲话对之间翻译的能力。

针对整个遴选的讲话对，对测试聚合的1012个句子进行评估。手脚这项议论的第一步，本文将领域限定为仅从英语到其他讲话（ENG→X）的翻译。

遵守暴露如下图，Gemini Pro在翻译任务上，总体优于其他模子，在 20 种讲话中的 8 种讲话上均优于 GPT-3.5 Turbo 和 GPT-4 Turbo，并在4种讲话上赢得了最高性能。

天然在非英语讲话翻译方面尚未超越专用机器翻译系统，但通用讲话模子也暴涌现了强竞争力的性能

零样本辅导和5样本辅导Gemini Pro在翻译任务上均优于其他模子

网页代理（Web Agents）

临了，本文考证每个模子充任收罗导航代理（web navigation agent）的能力，这是一项需要长久磋议和复杂数据意会的任务。

使用 WebArena ，这是一个基于敕令奉行的模拟环境，其中奏凯圭表基于奉行遵守。分拨给代理的任务包括信息查找、站点导航以及实质和成立操作。

这些任务高出各式网站，包括电子商务平台、酬酢论坛、互助软件建立平台（举例 gitlab）、实质束缚系统和在线舆图。

如下图著作从总体遵守不错看出，Gemini-Pro 的性能与 GPT-3.5-Turbo 特地，但稍差。

与 GPT-3.5-Turbo 肖似，当Prompts提到任务可能无法完成时（UA 辅导），Gemini-Pro 确实认会更好。通过 UA 辅导，Gemini-Pro 的总体奏凯率达到 7.09%。

之后著作又按照收罗进行细分，如下图，不错看到 Gemini-Pro 在 gitlab 和舆图上确实认比 GPT-3.5-Turbo 差，而在购物束缚、reddit 和 Shopping 上则接近 GPT-3.5-Turbo 。它在多站点任务上确实认比 GPT-3.5-Turbo 更好。

测试遵守总览

在本文中，作家对 Google 的 Gemini 模子进行了第一次公正、潜入的议论，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：

皇冠体育

指出他们责任是针对赓续变化且不沉着的API，所灵验率均为戒指 2023 年 12 月 19 日撰写本文时的最新遵守，但跟着模子和周围系统的升级，将来可能会发生变化。

遵守可能取决于其继承的特定辅导和生成参数

作家测试时莫得像谷歌敬爱使用多个样本和自我一致性（self-consistency），不外作家以为对不同模子使用一致的prompts的多项任务上进行的测试，适值不错合理地展示被测模子的肃肃性和广义指示的慑服能力

作家指出数据泄露对刻下大模子评测任务的困扰，天然他们莫得明确测量这种泄露，但他们也尝试过各式本事来缓解这个问题

在瞻望中，作家也提议建议，但愿巨匠在使用Gemini Pro之前，笔据这篇论文，我方评估Gemini Pro是否如宣传所说与GPT 3.5 Turbo相忘形。作家也默示Gemini的Ultra版块尚未发布，等其发布后也会考证其是否如报谈所说与GPT4特地。

参考贵寓：

https://arxiv.org/abs/2312.11444