七款AI大模型“高考成績” 前三名文科過一本

IT之家7月18日消息，上海人工智能實驗室17日公布了針對7個AI大模型的高考全科目測試結果，據大模型開源開放評測體系“司南”相關負責人介紹，“當前大模型仍存在很大的局限性。組織AI大模型‘參加高考’，目的是評測當前大模型的真實水平，找準問題，持續(xù)推進技術進步?！?

測試結果顯示，書生?浦語2.0系列文曲星大模型（浦語文曲星）、阿里通義千問大模型Qwen2-72B以及GPT-4o再次包攬文、理科前三甲；前三名 AI“考生”的文、理科成績分別超過了“一本”“二本”線（以今年高考人數最多的河南省的分數線為參考）。

從官方提供的圖片來看，此次參與“高考”的大模型還包括來自零一萬物的 Yi-1.5-34B、來自通義千問的 Qwen2-57B、來自智譜的GLM-4-9B 和法國 AI 初創(chuàng)公司Mistral旗下的Mixtral 8×22B。

據介紹，此次評測具備如下特征：

全卷考試：進行全卷評分，而不只針對單一題型，且包括帶圖的高考題

考前開源：評測覆蓋的開源模型均為今年高考前開源的模型，排除泄題的可能性

老師打分：邀請有高考閱卷經驗的老師打分，確保評分和高考盡量一致

完全公開：生成答案的代碼、模型答卷、評分結果完全開源

在增加綜合科目的基礎上，Qwen2-72B、GPT-4o、浦語文曲星包攬文、理科前三甲。阿里通義千問大模型Qwen2-72B以546分的成績榮獲AI高考“文科狀元”，浦語文曲星則以 468.5分成為理科第一名，分別超過了“非開源國際插班生”GPT-4o（文科531分，理科467分）。同為國外機構發(fā)布的Mixtral 8x22B平均得分最少，弱于國內大模型的高考表現(xiàn)。

閱卷老師們一致認為，大模型與真人考生仍存在差距，雖然對于基礎知識的掌握表現(xiàn)出色，但在邏輯推理和知識靈活應用方面，大模型仍然差強人意。具體而言，在作答主觀題時，大模型往往無法完整理解題干，不明白代詞指向，結果導致答非所問；解答數學題時，解題過程機械且邏輯性差，對于幾何題，常出現(xiàn)與空間邏輯相違背的推斷；對物理、化學實驗理解膚淺，無法準確識別并運用實驗器材。

此外，大模型也會偽造虛構內容，編造看似合理但實際不存在的詩句，或在存在明顯計算錯誤的情況下之后不反思，“硬著頭皮蒙”一個答案，均給閱卷老師帶來了困擾。

根據上海人工智能實驗室上個月公布的AI高考全卷結果，Qwen2-72B、GPT-4o及書生?浦語2.0文曲星（InternLM2-20B-WQX）成為本次大模型高考的前三甲，得分率均超過70%。大部分模型“考生”語文、英語科目表現(xiàn)良好，但數學方面仍有很大提升空間。