今天起，最新版的GPT-4 Turbo，正式向ChatGPT Plus用户开放了！

有了GPT-4 Turbo加持后，ChatGPT写作、数学、逻辑推理和编码的能力得到提升。

小编小试，果然ChatGPT最新数据已经更新到了4月。

根据基准测试结果，GPT-4 Turbo在数学能力比上一代有了明显改进。

这也就不难理解，新版的GPT-4 Turbo今天再次登顶大模型排行榜。

就连奥特曼本人表示，「GPT-4现在更加智能，使用起来也更舒适」。

另外，据OpenAI介绍，GPT-4 Turbo在回复时，变得更直接、减少啰嗦内容，更加口语化。

一起看看，GPT-4 Turbo在基准测试中能力如何？

数学性能提升近10%

在官方公开GitHub上，OpenAI放出了gpt-4-turbo-2024-04-09最新的评估结果。

主要在以下七大基准上，对模型完成了评估：

• MMLU（测量大规模多任务语言理解）
• MATH（使用MATH数据集测量数学问题解决能力）
• GPQA（研究生级别的谷歌防护问答基准）
• DROP（需要对段落进行离散推理的阅读理解基准）
• MGSM（多语言小学数学基准）：语言模型作为多语言思维链推理者
• HumanEval（评估在代码上训练的大型语言模型）
• MMMU（用于专家通用人工智能的大规模多学科多模态理解和推理基准）

在这个GitHub库中，OpenAI主要使用零样本、CoT设置，并采用简单的指令，如「解决以下多项选择题」。

这种提示方式更能真实反映模型在实际使用中的表现。

具体结果如下所示：

最新的gpt-4-turbo比以往的GPT-4系列，在性能上有着明显的提升。

尤其数学方面，能力实现了近10%的跃阶。

而在整体的比较中，新模型也基本上实现了对Claude 3 Opus和Gemini Pro 1.5的全面超越。

大海捞针比初代GPT-4提升4.3倍

同样的，在大海捞针测试中，最新的gpt-4-turbo也是全方位地超越了此前的1106-preview。

众所周知，上下文越长，对模型的挑战就越大。

而gpt-4-turbo可以在处理长达64k Token的内容时，性能直接媲美预览版在26k Token时的表现。

如果我们回顾一下GPT-4刚发布时的情况，也就是大约一年之前。

最新的gpt-4-turbo在32k的配置下，性能比初代GPT-4提高了约4.3倍。

顺便一提，那个时候，模型能处理的上下文最高只到32k。

GPT-4 Turbo重回王座

前段时间，Anthropic手里的最强大模型Claude 3 Opus，可以说是霸榜各大榜单。

不过，就在今天，OpenAI凭借着全新的gpt-4-turbo，又把它从「榜一」的位置上拉了下来。

根据「LLM排位赛」最新的结果，GPT-4-Turbo再次超越Claude 3，夺得第一。

LMSYS Org从多个领域收集了超过8000张人类投票，发现GPT-4-Turbo在编程与推理方面的表现，超越了其他模型。

为了深入了解，研究人员在Arena引入了「类别」功能。

通过这一新功能，可以对编程、长查询处理和多语言能力等不同领域进行了更详尽的比较。

研究人员还对编程领域中包含代码片段的所有对话进行了标记。在这一方面，GPT-4-Turbo展现出更强的性能。

类似的，Naman Jain也发现，新版GPT-4-Turbo在LiveCodeBench（包含编程竞赛题）上的表现，提高了惊人的4.5分。

这类问题对目前的LLM来说挑战很大，而OpenAI此次的更新，明显是大幅提升了模型推理能力。

在长查询领域（Token数量超过500），Claude-3 Opus表现最佳。

令人有些意想不到的是，Command R/R+在这一领域中也有着非常高的得分。

有趣的是，如果只涉及英语提示，排名会与整体略有不同。

在这一类别中，三种GPT-4-Turbo依然处于领先地位。

而这种变化的产生，是因为随着用户基数的扩大，语言使用从英语转向包括中文在内的多种语言。

而在应对不同的语言时，模型的表现也有所差异。

例如，在中文环境中，Claude-3 Opus排名第一。

以下是模型评分的置信区间 (CIs) ：

以及整体的胜率热图：

参考资料：

https://twitter.com/OpenAI/status/1778574613813006610

https://twitter.com/lmsysorg/status/1778555678174663100

文章来自微信公众号“新智元”，作者:桃子 好困