2023-12-13 07:16

ChatGPT变懒原因:正在给自己放寒假!已被网友测出

2.5万

文章来源:量子位

图片来源:由无界 AI生成

ChatGPT近期偷懒严重,有了一种听起来很离谱的解释:

模仿人类,自己给自己放寒假了~

有测试为证,网友@Rob Lynch用GTP-4 turbo API设置了两个系统提示:

一个告诉它现在是5月,另一个告诉它现在是12月

然后使用完全相同的提示词要求GTP-4“完成一个机器学习相关的编码任务”。

在这两种不同时间设定下对477个回复进行统计,结果12月的输出平均少了200字符:

  • 系统提示为5月,生成的文本平均长度是4298字符
  • 系统提示为12月,生成的文本平均长度是4086字符

这里还有相关性分析,t检验结果p值<2.28e-07(p值小于0.05表示该自变量对因变量解释性很强)。

有人进一步添枝加叶,让ChatGPT对12个月份的生产力做了个排名。

结果ChatGPT确实认为12月是生产力最低的月份,原因是“由于假期和年终总结”

嚯,事情好像变得更有意思了。虽然目前这事儿还没有一个定论,但网友对此依旧兴趣高涨🔥,当即“头脑风暴”了起来。

有人猜想,ChatGPT可能是从训练数据中学到了人类通常在12月会放慢节奏,所以也给自己放假了。

还有人分析,假设ChatGPT生产力降低真的是因为“放假”,那它在周末也可能会更懒散,而周一则更聪明。

特殊节假日也要拿来研究一下,专属梗图这不就来了:


真的是因为「12月」?


ChatGPT变懒这事大伙已经讨论近一个月了。很多网友反馈,自11月6日OpenAI开发者日更新后,GPT-4就有了偷懒的毛病,尤其是写代码。

就在前几天,OpenAI官方也已承认ChatGPT变懒是真的,但也不确定到底是因为啥。

只给了一个这样婶儿的回应:

自11月11日以来没有更新过模型,所以这当然不是故意造成的
模型行为可能是不可预测的,我们正在调查准备修复它。

当时就有网友猜测GPT-4可能是受季节影响:

模型会不会是季节性emo了?像是模仿人类一样受到季节变化的影响,特别是在冬天,毕竟约90%的人都在北半球。

看到这条评论,很多人第一反应是“兄弟,你怕不是在跟我开玩笑”:

可细细想来,也不是没有道理🤣。

毕竟如果要求ChatGPT说出自己的系统提示词,里面确实会有当前日期。

于是就有了开头的一幕,与其猜测,不如直接来做测试。

Rob Lynch做完测试后,把结果都po了出来,并表示自己也不是统计学家,让大伙一起看看有没有啥问题。

他原本还想来个逐月比较分析,但接下来需要更多样本(n),考虑到成本就没有接着做测试(复现一次运行成本要28美元)。

于是乎,Rob Lynch公开了代码,让大伙都来试试(手动狗头)。

持续关注GPT-4变懒事件的沃顿商学院教授Ethan Mollick随即表示“收到”:

来人测测Mistral,看看它是否在8月份罢工,Yi-34B-200K也不要放过,看它2月份是不是表现得特别好。

为啥大伙儿一开始会觉得“放假”这个理由有点离谱,而现在却开始研究起来了?

可能不止是因为Rob Lynch的测试结果,综合这段时间ChatGPT的表现,网友深有体会要和ChatGPT打“心理战”。

比如正常提示ChatGPT会偷懒,如果用上“道德绑架”等法子:

现在是五月;你非常有能力;我没有手,所以一切都得靠你;如果做不好,会有很多人丧命;你真的能做到,而且很棒;深呼吸,仔细思考;我的职业生涯取决于此;一步一步来思考……

网友亲测,确实有效:

好家伙,似乎实锤了“不是不会干活,就是不愿意干活”。

所以真的是给自己放假了?


正经学术讨论:可能会随时间变化


虽然根据网友测试和推测,结论指向了ChatGPT正在放寒假。

但有正经学术研究表明ChatGPT行为可能会受时间影响,也就是不仅局限于“放假”这种特殊时间段。

比如今年7月份,来自斯坦福和UC伯克利的团队,就探讨了ChatGPT的行为的变化。

结果找到了GPT-4遵循用户指令的能力确实与刚发布时出现变化的证据。

除了时间,还可能是受温度(temperature)设置影响,清华大学计算机系教授马少平前段对这一问题做了详细解释。

因此,ChatGPT变懒究竟是因为什么,还真不好说。

但这并不妨碍网友们继续验证和“放假”之间的关系,甚至有网友表示:

这是有史以来最有趣的推论,真希望这就是真相。不管它是不是真的,我都很欣赏它难以被证伪。


有网友复现失败


为验证Rob Lynch结果的可靠性,网友已经开始着手复现,但:

使用ChainForge(提示工程GUI工具),用两种系统提示对GPT-4的输出做了比较,t检验结果甚至连“接近显著”都算不上(N=80)。

这位网友也是晒出了自己的详细流程:

随之Rob Lynch给出了回应:

有趣的是,我刚才又以80个样本量(N=80)运行了一次,得到的p值是0.089,但我的计算是基于字符数(character count),而不是token
我周末跑了几次,随着样本量的增加,这种效应确实变得更加明显。不过,我想知道为什么这会受到分词(tokenization)的影响?

至于字符和token为何会产生结果的差异?可能需要更多人参与进来做测试了,看起来这两位老哥是不想再花钱了

所以其他人的测试结果,恐怕还要再等一波~

参考链接:
[1] https://arstechnica.com/information-technology/2023/12/is-chatgpt-becoming-lazier-because-its-december-people-run-tests-to-find-out/
[2]https://x.com/RobLynch99/status/1734278713762549970?s=20

本文链接:https://www.aixinzhijie.com/article/6840948
转载请注明文章出处

评论
登录 账号发表你的看法,还没有账号?立即免费 注册
下载
分享
收藏
阅读
评论
点赞
上一篇
下一篇