CMU进行了公正透明可重复的对比研究：Gemini Pro在性能上不如GPT-3.5
各位小伙伴们，大家好呀！看看今天我又给各位带来了什么文章？本文标题是《CMU进行了公正透明可重复的对比研究：Gemini Pro在性能上不如GPT-3.5》，很明显是关于科技周边的文章哈哈哈，其中内容主要会涉及到等等，如果能帮到你，觉得很不错的话，欢迎各位多多点评和分享！
谷歌Gemini的实力究竟如何？卡内基梅隆大学进行了一项专业客观的第三方比较
为保证公平，所有模型使用相同的提示和生成参数，并且提供可重复的代码和完全透明的结果。
不会像谷歌官方发布会那样，用CoT@32对比5-shot了。
一句话结果：Gemini Pro版本接近但略逊于GPT-3.5 Turbo，GPT-4还是遥遥领先。
在深入分析中还发现Gemini一些奇怪特性，比如选择题喜欢选D……
有许多研究者表示，Gemini刚刚发布没几天就进行了非常详细的测试，这是非常了不起的成就
六大任务深入测试
这个测试具体比较了6个不同的任务，并且为每个任务选择了相应的数据集
- 知识问答：MMLU
- 推理：BIG-Bench Hard
- 数学：GSM8k、SVAMP、ASDIV、MAWPS
- 代码：HumanEval、ODEX
- 翻译：FLORES
- 上网冲浪：WebArena
知识问答：喜欢选D
根据结果可以看出，在这类任务中使用思维链提示并不一定能够提升效果
在MMLU数据集中，所有的题目都是多选题。进一步分析结果后，发现了一个奇怪的现象：Gemini更喜欢选择D选项
GPT系列在4个选项上的分布就要平衡很多，团队提出这可能是Gemini没针对多选题做大量指令微调造成的。
另外，Gemini的安全过滤非常严格。在涉及道德问题时，它只能回答85%的问题。而在涉及人类性行为相关问题时，它只能回答28%的问题
Gemini Pro在安全研究和高中微观经济学方面的表现超过了GPT-3.5，但差距并不大，团队表示无法找出任何特别之处
推理：长问题不擅长
GPT系列在处理更长、更复杂的问题时表现更出色，相比之下，Gemini Pro的表现较为不佳
特别是在长篇问题上，GPT-4 Turbo几乎没有性能下降，这表明它具备了理解复杂问题的强大能力
根据问题类型进行分析，Gemini在“追踪交换物品”这类问题上表现不佳，这类问题涉及人们进行物品交换，最终需要AI判断每个人拥有哪些物品
Gemini擅长的任务包括理解世界各种体育运动知识、操作符号堆栈、按字母顺序排序单词以及解析表格
数学：复杂任务反超
问题本身太长，导致Gemini Pro和GPT-3.5的表现同时下降，只有GPT-4能够保持一贯的水准
当思维链的长度达到最长时，Gemini超过了GPT-3.5
代码：擅长matplotlib
对于代码问题，Gemini在参考答案较长的问题上表现不佳
GPT系列在大多数类型中更强大，但在matplotlib方面表现完全不佳
翻译：只要回答了，质量就很高
在翻译任务中，Gemini拒绝回答了12种类型的问题，但只要回答了的翻译质量都非常出色，整体表现超过了GPT-4
双子座拒绝翻译的语言主要涉及拉丁语和阿拉伯语
网络导航：擅长跨站点冲浪
WebArena为AI模拟了一个互联网环境，包括电子商务、社交论坛、GitLab协作开发、内容管理系统和在线地图等。AI需要在这个环境中查找信息或跨站点完成任务
Gemini在整体表现不如GPT-3.5 Turbo，但在跨多个站点的任务中表现稍好。
网友：但是它免费啊
最终，CMU副教授格雷厄姆·纽比格承认了这项研究的一些限制
- 基于API的模型行为可能随时变化
- 只尝试了有限数量的提示，对不同模型来说适用的提示词可能不一样
- 无法控制测试集是否泄露
谷歌大型模型推理团队的负责人周登勇指出，将Gemini的温度设置为0可以提高5-10个百分点，对于推理任务非常有帮助
在这项测试中，除了Gemini和GPT系列，还引入了最近备受关注的开源MoE模型Mixtral
不过，强化学习专家Noam Brown认为可以不考虑Mixtral的结果，因为它使用的是第三方API而不是官方实现
Mistral AI创始人为团队提供了官方版调用权限，他相信这将带来更好的结果
虽然Gemini Pro还不及GPT-3.5，但它的优势在于每分钟调用不超过60次就可以免费使用
因此，许多个人开发者已经改变了阵营
目前Gemini的最高版本Ultra版尚未发布，届时CMU团队也打算继续进行这项研究
你认为双子座Ultra能够达到GPT-4的水平吗？
本文详细介绍了论文：https://arxiv.org/abs/2312.11444
参考链接：
[1]https://twitter.com/gneubig/status/1737108977954251216。
本篇关于《CMU进行了公正透明可重复的对比研究：Gemini Pro在性能上不如GPT-3.5》的介绍就到此结束啦，但是学无止境，想要了解学习更多关于科技周边的相关知识，请关注golang学习网公众号！
Intel下一代显卡系列Battlemage架构渐次浮出水面
- 上一篇
- Intel下一代显卡系列Battlemage架构渐次浮出水面
- 下一篇
- 华为nova 12系列揭秘：丰富颜色和奢华材质
-
- 前端进阶之JavaScript设计模式
- 设计模式是开发人员在软件开发过程中面临一般问题时的解决方案，代表了最佳的实践。本课程的主打内容包括JS常见设计模式以及具体应用场景，打造一站式知识长龙服务，适合有JS基础的同学学习。
- 543次学习
-
- GO语言核心编程课程
- 本课程采用真实案例，全面具体可落地，从理论到实践，一步一步将GO核心编程技术、编程思想、底层实现融会贯通，使学习者贴近时代脉搏，做IT互联网时代的弄潮儿。
- 516次学习
-
- 简单聊聊mysql8与网络通信
- 如有问题加微信：Le-studyg；在课程中，我们将首先介绍MySQL8的新特性，包括性能优化、安全增强、新数据类型等，帮助学生快速熟悉MySQL8的最新功能。接着，我们将深入解析MySQL的网络通信机制，包括协议、连接管理、数据传输等，让
- 500次学习
-
- JavaScript正则表达式基础与实战
- 在任何一门编程语言中,正则表达式,都是一项重要的知识,它提供了高效的字符串匹配与捕获机制,可以极大的简化程序设计。
- 487次学习
-
- 从零制作响应式网站—Grid布局
- 本系列教程将展示从零制作一个假想的网络科技公司官网，分为导航，轮播，关于我们，成功案例，服务流程，团队介绍，数据部分，公司动态，底部信息等内容区块。网站整体采用CSSGrid布局，支持响应式，有流畅过渡和展现动画。
- 485次学习
-
- ljg-skills
- ljg-skills 是李继刚开源的 AI 技能与提示词集合，面向大模型使用者整理了一批可复用的 prompt、角色设定和任务技能模板，适合用于学习提示词设计、搭建个人 AI 工作流和沉淀团队常用智能体能力。
- 1842次使用
-
- MELO音乐
- MELO音乐是一站式AI视频与音乐制作助手，对标suno, udio的高品质体验。提供伴奏生成、原创写词、无损导出、哼唱识曲、混音变声等全套音频与短视频编辑工具。无论是流行Kpop、电音说唱、民谣古风、摇滚儿歌还是商用轻音乐，MELO为你免费谱曲，轻松做同款！
- 1759次使用
-
- UniScribe
- UniScribe 是一款 AI 音视频转文字与内容整理工具，支持上传音频、视频文件或粘贴 YouTube 链接，自动生成转写文本、摘要、思维导图和关键问题，并支持多格式导出，适合会议记录、课程学习、访谈整理和内容创作复盘。
- 1712次使用
-
- 剧云
- 剧云是专业中文剧本创作平台，安全稳定运行十余年，集成AI编剧、剧本医生审核、人物小传、剧情关系图、大纲编写、多人协作、Word导入导出、版权管控功能，数据安全防护，轻松高效创作剧本。
- 1899次使用
-
- 万象有声
- 万象有声，一个专为有声创作者打造的新一代智能有声内容创作平台。平台提供专业的智能拆章、智能画本编辑、AI配音、AI生成音效、后期制作、智能对轨、智能审听等有声创作全流程工具，可以帮助创作者高效、低成本创作出引人入胜的有声作品。立即体验，让有声书制作更简单！
- 1886次使用
-
- AI写作工具免费版安装教程（含豆包Clawdbot）
- 2026-05-30 501浏览
-
- WPS AI能自动生成PPT吗？输入主题一键制作演示文稿
- 2026-05-27 501浏览
-
- Canva手机闪退解决方法及适配指南
- 2026-05-25 501浏览
-
- Hermes Agent依赖的工具链有哪些 必备工具链介绍
- 2026-05-05 501浏览
-
- 千问AI官网地址链接入口_千问AI官方网站登陆入口
- 2026-05-05 501浏览
