一言不合就跑分，国内AI大模型为何沉迷于“刷榜”
“不服跑个分”这句话，相信关注手机圈的朋友一定不会感到陌生。诸如安兔兔、GeekBench等理论性能测试软件，由于能够在一定程度上反映手机的性能，因此备受玩家的关注。同理在PC处理器、显卡上，同样也有相应的跑分软件来衡量它们的性能。
既然“万物皆可跑分”，当下最热的AI大模型也开始玩起了跑分，特别是在“百模大战”打响后，更几乎是天天都有突破、各家的都宣称自己是“跑分第一”。
然而国产AI大模型虽然在跑分上几乎没有输过，可体验方面却从未赢过GPT-4。那么问题就来了，大促节点时各手机厂商总能拿到“销量第一”，靠的是不断增加定语，将市场细分再细分来让人人都有第一拿，可AI大模型领域就不太一样了，毕竟它们的评估基准基本是统一的，其中包括MMLU（用于衡量多任务语言理解能力）、Big-Bench(用于量化和外推LLMs的能力)，以及AGIEval(用于评估应对人类级任务的能力)。
目前被国内厂商经常引用的大模型评测榜单是SuperCLUE、CMMLU和C-Eval，其中CMMLU和C-Eval是由清华大学、上海交通大学和爱丁堡大学合作构建的综合性考试评测集，CMMLU则是MBZUAI、上海交通大学、微软亚洲研究院共同推出，至于SuperCLUE，则是一帮各大高校的AI专业人士攥出来的。
以C-Eval为例，在9月初的榜单上，云天励飞大模型 云天书 排在第一、360排第八，GPT-4却只能排在第十名。既然标准是可量化的，为什么会出现反直觉的结果呢?大模型跑分榜单之所以会呈现出“群魔乱舞”的景象，其实是目前评价AI大模型性能的方法有局限性，它们是用“做题”的方式来衡量大模型的能力。
众所周知，智能手机的SoC、电脑的CPU和显卡为了保护自身寿命，会在高温的情况下自动降频，反之低温则会使得芯片性能得到更好的发挥。因此将手机放进冰箱、或是为电脑配备更强悍的散热来跑分，通常就会得到一个比正常状态下更高的成绩。更别提针对各类跑分软件进行“专属优化”，也早就成为了各大手机厂商的标准操作。
同理，AI大模型的跑分既然是以做题为核心，自然就会有题库。没错，国内部分大模型在“刷榜”上一个赛一个的原因，就出现在了这里。由于种种原因，目前各大大模型榜单的题库几乎对厂商是单向透明，也就是出现了所谓的“基准泄露”。例如C-Eval榜单在上线之初就有13948道题目，并且由于题库有限，就出现过直接让某些不知名大模型用刷题的方式“通关”的情况。
大家不妨设想一下，如果在考试前机缘巧合看到了试卷和标准答案，突击背题的结果就是考试成绩会大幅度提高。所以将大模型榜单预设的题库加入训练集，这样一来大模型也就变成了拟合基准数据的模型，而且目前的LLM本身就以出色的记忆力著称，背标准答案简直就是小菜一碟。
通过这一方式，小尺寸模型在跑分中也能拥有比大尺寸模型更好的结果，部分大模型取得的高分就是在这样的“微调”下实现。人大高瓴团队在论文《Dont Make Your LLM an Evaluation Benchmark Cheater》中，就直白地指明了此类现象，而且这种投机取巧的做法对于大模型的性能反而是有害的。
高瓴团队的研究人员发现，基准泄漏会导致大模型跑出夸张的成绩，例如1.3B的模型可以在某些任务上超越10倍体量的模型，但副作用就是这些专门为“应试”设计的大模型，在其他正常测试任务上的表现会受到不利影响。毕竟想想也能知道，AI大模型本来应该是“做题家”、却变成了“背题家”，为了获得某榜单的高分，去使用该榜单特定的知识和输出样式，肯定就会误导大模型。
训练集、验证集、测试集的不交叉显然只是理想状态，毕竟现实很骨感，数据泄露问题从根源上就几乎不可避免。随着相关技术的不断进步，当下大模型的基石Transformer结构的记忆和接收能力在不断提升，今年夏季微软研究院General AI的策略就已经实现了让模型接收1亿Tokens、而不会产生无法接受的遗忘。换而言之，未来AI大模型很有可能具有读取整个互联网的能力。
即使抛开技术进步，单纯以当下的技术水平，数据污染其实也难以规避，因为优质数据总归是稀缺、且产能有限的。AI研究团队Epoch在今年年初发表的论文就表明，AI不出5年就会把人类所有的高质量语料用光，而且这一结果是其将人类语言数据增长率，即全体人类未来5年内出版的书籍、撰稿的论文、编写的代码都考虑在内，所预测的结果。
一个优质的数据集如果适合作为评测用途，那么它肯定就同样在预训练上有更好的发挥，例如OpenAI的GPT-4就使用了权威推理评测集GSM8K的数据。所以这就目前大模型评测领域的尴尬之处，大模型对于数据的无止境需求导致了相关评测机构必须比AI大模型厂商跑得更快、更远，可如今评测机构却根本就没能力做到这一点。
至于说为什么某些厂商会在大模型跑分上格外上心，纷纷去操作刷榜呢?其实这一行为背后的逻辑，就与App开发者给自家App的用户量注水一模一样。毕竟App的用户规模是衡量其价值的关键要素，而在当下这个AI大模型的起步阶段，评测榜单的成绩几乎就是唯一一个相对客观的评判标尺，毕竟在大众的认知里跑分高就等于性能强。
当刷榜可能带来强烈的宣传效应，甚至可能会为融资打下基础的情况下，商业利益的加入就必然会驱使AI大模型厂商争先恐后去刷榜了。
更新于：11个月前