| 编辑：Anjana
GPT-4 是不是真的变笨了？
在 Twitter 和 OpenAI 的在线开发者论坛的评论中，用户们表达了对 GPT-4 变笨性能下降的不满，例如 GPT-4 的逻辑能力减弱、错误回答增多、对提供的信息失去追踪能力……
许多用户发现，GPT-4 回复“对不起，我无法回答”的次数越来越多。有网友甚至把 3 小时 25 条消息额度一口气用完，也没有解决问题，无奈切换到 GPT-3.5，反倒解决了。
用户称这个模型与其几个月前的版本，在推理能力和其他输出上都变得懒惰和愚笨。
针对 GPT-4 变笨问题，网友给出了不同的判断和分析。
有传言表明，OpenAI 可能正在使用更孝更专门的 GPT-4 模型来更高效地处理用户查询，并根据成本和速度考虑将查询发送给哪个模型。
Keras 创始人 Franois Chollet 在 6 月份的推特中表示：“我对这个说法非常怀疑。很有可能模型性能与 2 月份相比差不多甚至表现得更好。
但人们已经花了大量时间与其互动，并且对它能做什么不能做什么有了更现实的期望它已经失去了最初的神秘感。”
| Keras 创始人的看法
Hacker News 上也有网友持此类观点：“我认为，我们没有注意到我们的期望已经提高了，也没有注意到我们记住了成功的部分，进而期待所有都是成功的。
一开始我们没有注意到失败，因为这和预期相符合，我们特别注意到了成功，因为这些是意料之外的。现在我们注意到了失败，并期待成功。”
部分人认为，当最初的惊艳期过去，大家对 AI 回答问题的能力期待变高了，关注点发生了变化，对 GPT 失误有了更高敏感度，因此会认为 GPT-4 变笨了。
ChatGPT 于 2022 年 11 月发布后，上线 5 天后已有 100 万用户，上线两个月后已有上亿用户。最初 ChatGPT 运行在 GPT-3 和 GPT-3.5 之上。3 月中旬，GPT-4 发布，并迅速成为开发者和其他科技行业人士的首选模型。
OpenAI 声称模型从 2023 年 3 月就没有改动过，公开层面确实没有相关记录。
ChatGPT 的更新日志中，分别在 1 月 9 日、1 月 30 日、2 月 13 日提到了对模型本身的更新，涉及改进事实准确性和数学能力等。
但自从 3 月 14 日 GPT-4 发布之后就没提到模型更新了，只有网页 APP 功能调整和添加联网模式、插件模式、苹果 APP 等方面的变化。
关于大量用户反馈 GPT-4 大模型的回答质量下降问题，OpenAI 于 7 月14 日澄清：“我们没有把 GPT-4 弄笨。相反，我们让 GPT-4 的每个新版本都比之前更聪明了。”
|OpenAI 于 7 月 14 日的回应
为了验证 OpenAI 的说法，斯坦福大学和加利福尼亚大学伯克利分校的研究者，针对 ChatGPT 行为随时间发生的变化，调查了 2023 年 3 月至 6 月期间 ChatGPT 性能的变化。
该论文评估了 GPT-3.5 和 GPT-4 的三月版和六月版的表现。
| 论文链接：https://arxiv.org/pdf/2307.09009.pdf
评估基于四大任务：
1) 求解数学问题
2) 回答敏感 / 危险问题
3) 生成代码
4) 视觉推理
| 论文图片
调查结论是：GPT-4 性能确实变差了。
例如：GPT-4 一步步思考并回答“17077 是质数吗”这个数学问题，准确率直接从 97.6% 降到了 2.4%，而 GPT-3.5 的准确率则从 7.4% 上升到 86.8%。此外，GPT-4 的回答更简洁，GPT-3.5 的回答则更长。
论文概要提到：“相同”的 LLM 服务的行为可以在相对短的时间内发生显著变化，突显了对 LLM 质量的持续监控的必要性。
OpenAI 开发者推广大使 Logan Kilpatrick 于 7 月 19 日在推特回应：
“向所有分享 GPT-4 模型性能体验的人表示感谢，@OpenAI 的所有人都希望推出最好的模型，帮助用户更多地投入到他们感兴趣的事情上。我们正在积极调查大家分享的报告。”
|OpenAI 于 7 月 19 日的回应
同时他也表示，自 3月14日发布 GPT-4 以来，大模型的本体一直处于静态，不存在大量外部数据污染模型的情况。他也承认由于大模型本身存在不稳定性，对于某些提示词的表现不一致。
对如此科学实验下的证据，OpenAI 在博客“Function calling and other API updates”中更新回应到：“确实在某些任务上的性能变差了。”
| OpenAI 官方博客
目前学术界有个观点是，后来的 RLHF 训练虽然让 GPT-4 更与人类对齐也就更听从人类指示和符合人类价值观但也让其自身的推理等能力变差。
因为大语言模型有时会输出有毒内容，产生幻觉，从而带来的社会偏见问题。OpenAI 公司十分关注安全问题，并对此做了大量的对齐工作。这也使得后续版本在安全性上有所提升，在推理能力上变得越来越糟糕。
与人类的价值观对齐、同时不降低AI自身能力上限的训练方法，也成了现在很多团队的研究方向，但还在起步阶段。
以下是改善 ChatGPT 体验的几种方法：
提升 prompt 提示技能和写作技能；
ChatGPT 反应缓慢或无响应时，使用 Claude 或 Bing Chat 等替代方法。
| 关于ChatGPT性能降低的笑话（挺真实）
参考资料：
https://twitter.com/fchollet/status/1664036777416597505
https://twitter.com/OfficialLoganK/status/1681658410507354113
https://twitter.com/npew/status/1679538687854661637
https://openai.com/blog/function-calling-and-other-api-updates
https://arxiv.org/pdf/2307.09009.pdf
