七款AI大模型“高考成績(jì)” 前三名文科過(guò)一本

IT之家7月18日消息，高考成績(jì)上海人工智能實(shí)驗室17日公布了針對7個(gè)AI大模型的模型高考全科目測試結果，據大模型開(kāi)源開(kāi)放評測體系“司南”相關(guān)負責人介紹，前名“當前大模型仍存在很大的文科局限性。組織AI大模型‘參加高考’，過(guò)本目的高考成績(jì)是評測當前大模型的真實(shí)水平，找準問(wèn)題，模型持續推進(jìn)技術(shù)進(jìn)步。前名”

測試結果顯示，文科書(shū)生?浦語(yǔ)2.0系列文曲星大模型（浦語(yǔ)文曲星）、過(guò)本阿里通義千問(wèn)大模型Qwen2-72B以及GPT-4o再次包攬文、高考成績(jì)理科前三甲；前三名AI“考生”的模型文、理科成績(jì)分別超過(guò)了“一本”“二本”線(xiàn)（以今年高考人數最多的前名河南省的分數線(xiàn)為參考）。

從官方提供的文科圖片來(lái)看，此次參與“高考”的過(guò)本大模型還包括來(lái)自零一萬(wàn)物的 Yi-1.5-34B、來(lái)自通義千問(wèn)的 Qwen2-57B、來(lái)自智譜的GLM-4-9B 和法國 AI 初創(chuàng )公司Mistral旗下的Mixtral 8×22B。

據介紹，此次評測具備如下特征：

全卷考試：進(jìn)行全卷評分，而不只針對單一題型，且包括帶圖的高考題

考前開(kāi)源：評測覆蓋的開(kāi)源模型均為今年高考前開(kāi)源的模型，排除泄題的可能性

老師打分：邀請有高考閱卷經(jīng)驗的老師打分，確保評分和高考盡量一致

完全公開(kāi)：生成答案的代碼、模型答卷、評分結果完全開(kāi)源

在增加綜合科目的基礎上，Qwen2-72B、GPT-4o、浦語(yǔ)文曲星包攬文、理科前三甲。阿里通義千問(wèn)大模型Qwen2-72B以546分的成績(jì)榮獲AI高考“文科狀元”，浦語(yǔ)文曲星則以 468.5分成為理科第一名，分別超過(guò)了“非開(kāi)源國際插班生”GPT-4o（文科531分，理科467分）。同為國外機構發(fā)布的Mixtral8x22B平均得分最少，弱于國內大模型的高考表現。

閱卷老師們一致認為，大模型與真人考生仍存在差距，雖然對于基礎知識的掌握表現出色，但在邏輯推理和知識靈活應用方面，大模型仍然差強人意。具體而言，在作答主觀(guān)題時(shí)，大模型往往無(wú)法完整理解題干，不明白代詞指向，結果導致答非所問(wèn)；解答數學(xué)題時(shí)，解題過(guò)程機械且邏輯性差，對于幾何題，常出現與空間邏輯相違背的推斷；對物理、化學(xué)實(shí)驗理解膚淺，無(wú)法準確識別并運用實(shí)驗器材。

此外，大模型也會(huì )偽造虛構內容，編造看似合理但實(shí)際不存在的詩(shī)句，或在存在明顯計算錯誤的情況下之后不反思，“硬著(zhù)頭皮蒙”一個(gè)答案，均給閱卷老師帶來(lái)了困擾。

根據上海人工智能實(shí)驗室上個(gè)月公布的AI高考全卷結果，Qwen2-72B、GPT-4o及書(shū)生?浦語(yǔ)2.0文曲星（InternLM2-20B-WQX）成為本次大模型高考的前三甲，得分率均超過(guò)70%。大部分模型“考生”語(yǔ)文、英語(yǔ)科目表現良好，但數學(xué)方面仍有很大提升空間。