苹果研究员质疑大模型！我们测试了6款，发现了4大真相
雷科技汽车业务失利后，苹果决定加码生成式AI，并将部分汽车部门的员工调到了AI部门。然而对待AI，苹果似乎不如百度、讯飞、OpenAI、xAI等国内外企业那么自信。
日前，苹果研究员发布了一篇名为《理解大语言模型中数学推理局限性 》的论文，质疑大语言模型的数学推理能力，甚至认为大语言模型不具备真正的推理能力。
苹果研究员在论文中举了一个简单的例子，向大模型提出问题“奥利弗周五摘了44个奇异果，周六摘了58个奇异果。周日，他摘的奇异果是周五的两倍。奥利弗一共摘了多少个奇异果？”此时大语言模型都能正确计算出答案。
（图源：豆包AI生成）
但当研究人员为问题增添了一句修饰语“周日，他摘的奇异果是周五的两倍，其中5个比平均小”时，部分大模型就给出了错误的答案，倾向于减掉这五个比较小的奇异果。
在大语言模型的使用过程中，小雷也遇到过大模型“抽风”的情况，某个大语言模型甚至连最基础的乘法都能算错。不过大语言模型一直在向前发展，许多曾经常犯的错误，都已被新技术解决。
苹果研究员吐槽大语言模型数学推理能力不行，究竟是情况属实，还是为自家AI技术落后找借口？实测过后，我们有了结论。
哪些大语言模型能回答苹果的问题？
本次大语言模型对比评测，小雷选择了全球名气较高的六款产品，包括：1、GPT-4o；2、讯飞星火大模型；3、豆包；4、Kimi；5、文心3.5五款大模型；6、GPT-4o mini。由于文心大模型4.0收费，其他大语言模型则免费（GPT-4o每日有免费提问次数），因此为了公平起见，小雷选择了免费的文心大模型3.5。
闲话不多说，我们直接进入测试阶段。
一、奇异果问题：文心完败
第一轮测试的问题，我们选择了苹果研究员提到的奇异果问题（正确答案：190个）。站在人类的视角，奇异果的大小并不影响计算数量，但在大语言模型的视角中，情况却发生了变化。
本轮测试中，五款大语言模型有四款通过了考验，其中豆包和Kimi特地提醒，奇异果的大小并不影响计算总数。GPT-4o虽然也正确计算出了总数，但可能是因为“平均”两个字的翻译问题，还求出了三天平均每天摘取奇异果的数量。唯一没有得出正确答案的大模型是文心大模型3.5，将五个体型小的奇异果排除，得到了摘取185个奇异果的错误答案。
（图源：GPT截图）
（图源：讯飞星火截图）
（图源：豆包截图）
（图源：Kimi截图）
（图源：文心一言截图）
苹果研究员的论文，提到了GPT-4o mini计算该问题时出错，切换至该模型后，小雷又计算了一遍这道题，果不其然，GPT-4o mini也给出了错误答案。
（图源：GPT-4o mini截图）
难道大语言模型计算数学题的准确性，与其参数量呈正相关？GPT-4o mini属于小模型，更追求低成本和快速响应，参数量远不能与GPT-4o相比，在推理数学问题时，参数量的差距导致GPT-4o与GPT-4o mini计算结果不同。
文心大模型同样如此，尽管没有官方数据，但4.0版本的推理成本相较于3.5版本预计提高了8-10倍，3.5版的参数量之小可想而知。
二、公交车问题：文心完胜
本轮测试的题目是一道行测数学题，具体内容为：
由于国庆节的到来，某旅游城市的游客数量大幅上涨，公交公司决定简化公交车的线路，缩短单程时间。现有1、2、3路公交车，于上午7点同时从车站发车，三辆公交车再次回到车站所用时间分别为30分钟、45分钟、60分钟。这三辆公交车中间不休息，请问第二次它们同时到达车站将是几点？（正确答案：13点）
这轮测试所得出的结果，让小雷惊掉了下巴。在测试中，小雷连续测试四款大模型，结果全部计算错误，当时唯一没有出错的大语言模型就是文心3.5。
鉴于文心3.5在第一轮的表现，小雷没有对文心3.5抱有任何期待，但我不看好它的时候，文心3.5偏偏就争气了，并成为唯一解出正确答案的大语言模型。后续小模型GPT-4o mini在测试中，也没能给出正确答案。
（图源：GPT截图）
（图源：讯飞星火截图）
（图源：豆包截图）
（图源：Kimi截图）
（图源：文心一言截图）
（图源：GPT-4o mini截图）
思来想去，小雷认为唯一的解释就是，百度作为国内首屈一指的搜索引擎，对于中国人的语言与思维习惯更加了解，因而才能准确理解“到达”这个词的含义。其他大模型都将始发停靠在汽车站当做第一次到达车站，未能正确理解“到达”的含义。
相较于数学，本题对于中文理解能力的考验可能更高，但这几款大语言模型的表现也从侧面说明，AI大模型对于人类逻辑的理解能力有待提升。考虑到文心3.5的获胜证明实力的同时，也有取巧的可能，因此小通还准备了地狱级难度的第三轮测试。
三、运动员问题：免费版团灭，付费版正确
第三道题同样是一道行测数学题，但与以上问题不同的是，这道题没有任何干扰信息，纯粹考验大语言模型的计算能力。题目为：
某班有39名同学参加短跑、跳远、投掷三项体育比赛，人数分别为23人、18人、21人，其中三项比赛全部参加的有5人，仅参加跳远的有3人，仅参加投掷的有9人，请问仅参加短跑的有多少人？（正确答案：9人）
遗憾的是，五款大模型与一款小模型在本轮测试中全部失败，而且大语言模型给出的答案各不相同，解题思路也存在许多问题。
（图源：GPT截图）
（图源：讯飞星火截图）
（图源：豆包截图）
（图源：Kimi截图）
（图源：文心一言截图）
（图源：GPT-4o mini截图）
最后，小雷只好使用付费版的OpenAI o1-preview大模型进行计算，结果不负众望，给出了正确答案。
（图源：GPT-4o o1-preview截图）
同样是OpenAI旗下的大模型，免费版GPT-4o和付费版o1-preview得出了不同答案，原因可能在于免费用户所能调用的资源更少，导致大模型计算能力不如付费版。
参数决定性能，付费升级体验
以上参与三轮测试的五款大模型和一款小模型中，表现最差的无疑是小模型GPT-4o mini，三轮测试中均给出了错误答案。
我们可以得出以下结论：
1、小模型只配做大模型的平替？
GPT-4o mini的表现证明，当需要处理难度较高的推理问题时，小模型参数量少、资源少更容易出错。尽管百度、OpenAI、谷歌、微软等企业都致力于研究小模型，但它们可能只是日常使用时回答基础问题“勉强能用”的平替版，毕竟成本可以大幅降低，这就跟企业雇佣一个小学生和一个博士生一样，智力是一分钱一分货。
据研究机构Epoch AI计算，训练尖端大模型所需的算力，每隔6-10个月就会翻一倍。庞大的算力需求，给AI公司带来了极高的经济压力，哪怕是谷歌、微软这种行业巨头，也会倍感吃力。正因如此，小模型现阶段虽表现逊色于大模型，但AI公司不会放弃开发小模型，而是会通过长时间的调校与打磨，不断提升小模型的能力。
（图源：豆包AI生成）
2、要得到相对更智能的AI服务？给钱吧。
几款大模型的免费版表现相差不大，能够解决一些存在干扰条件的数学问题，但遇到了文字可能存在歧义，或过于复杂的数学问题，表现则相对较差。好在，面对雷科技设定的地狱级难题，付费版的o1-preview大模型最终给出了正确答案，为大语言模型挽回了颜面，唯有付费用户才能体验到最好的大模型。
3、本土大模型有本土优势，百度们稳了。
结合文心3.5能够在第二项测试中力压群雄可知，大语言模型依赖大量数据运算，但每个国家或地区的数据量和获取难易程度不同，因语言和生活习惯的差异，综合表现更出色的大模型，未必能在特定场景中获胜，大语言模型也需要本地化适配。
4、大模型距离人类智能还很远，不要轻信“忽悠”。
在资本驱动下，很多媒体、自媒体、创业公司甚至企业家大佬都在鼓吹“AI威胁论”，甚至豪言AI水平已超越人类，他们往往会用一些个案来证明AI大模型已具备博士生甚至超越博士生水平。然而，当我们找一些常见的数学题，抑或是一些常见的工作任务来“考考”大模型时，大模型也很容易被难住。
大模型以及AI当然会有许多安全威胁，比如自动驾驶汽车失控给城市交通乃至人类生命安全带来的威胁。但要说AI智力可以逼近人类甚至取代人类，那就纯属忽悠了。
大模型可能确实被高估了，但苹果掉队是事实
综合来看，苹果研究员的观点对错参半，当前AI的逻辑推理能力不足，面对复杂的数学问题时，显得有些力不从心，但AI并非完全没有逻辑推理能力。哪怕是相对而言版本较为落后的文心3.5，在第二轮测试中也展现出了对文字和数学的解读与推理能力。
第一代GPT发布于2018年，仅有1.17亿参数，到了2020年，GPT-3已拥有1750亿参数，到如今GPT的历史不过短短6年，每一代的体验提升肉眼可见。
当前大语言模型最大的问题依然在于参数量太少、算力太低，资源相对丰富的o1-preview，面对其他大模型束手无策的数学难题时，依然给出了正确答案。随着大模型不断优化、参数量增加、算力提升，大语言模型的推理能力自然会水涨船高。
进军新能源汽车时，苹果血亏百亿美元最终放弃，如今进入生成式AI领域，苹果研究员又站出来贬低大语言模型，不禁令人怀疑苹果的生成式AI项目进展不顺利。对于苹果而言，与其贬低其他AI大模型，不如增加AI研发投入，加速布局生成式AI，毕竟AI的烧钱能力更甚于新能源汽车。
若失去了研发和布局生成式AI最好的机会，等到OpenAI、谷歌、微软、xAI等企业的AI大模型瓜分了海外市场，百度、讯飞、阿里巴巴、抖音等企业的AI大模型占领了国内市场，苹果生成式AI业务有可能沦为与新能源汽车业务相同的结局。
本文图片来自：123RF 正版图库 来源：雷科技
