OpenAI正式推出多模態GPT-4

作者：OpenAI&TheVerge&Techcrunch

翻譯&分析：阿法兔

*本文6000字左右

• GPT-4可以接受圖像和文本輸入，而GPT-3.5只接受文本。

• GPT-4在各種專業和學術基准上的表現達到”人類水平”。例如，它通過了模擬的律師考試，分數約為應試者的前10%。

• OpenAI花了6個月的時間，利用從對抗性測試項目以及ChatGPT中獲得的經驗，反複調整GPT-4，結果在事實性、可引導性和可控制方面取得了”史上最佳結果”。

• 在簡單的聊天中，GPT-3.5和GPT-4之間的區別可能微不足道，但是當任務的複雜性達到足夠的閾值時，區別就出來了，GPT-4比GPT-3.5更可靠，更有創造力，能夠處理更細微的指令。

• GPT-4能對相對複雜的圖像進行說明和解釋，比如說，從插入iPhone的圖片中識別出一個Lightning Cable適配器（下文有圖片）。

• 圖像理解能力還沒有向所有OpenAI的客戶開發，OpenAI正在與合作夥伴Be My Eyes進行測試。

• OpenAI承認，GPT-4並不完美，仍然會對事實驗證的問題產生錯亂感，也會犯一些推理錯誤，偶爾過度自信。

• 開源OpenAI Evals,用於創建和運行評估GPT-4等模型的基準，同時逐個樣本檢查其性能。

官宣文檔

OpenAI已經正式推出GPT-4，這也是OpenAI在擴大深度學習方面的最新里程碑。 GPT-4是大型的多模態模型（能夠接受圖像和文本類型的輸入，給出文本輸出），儘管GPT-4在許多現實世界的場景中能力不如人類，但它可以在各種專業和學術基准上，表現出近似人類水平的性能。

例如：GPT-4通過了模擬的律師考試，分數約為全部應試者的前10%。而相比之下，GPT-3.5的分數大約是後10%。我們團隊花了6個月的時間，利用我對抗性測試項目以及基於ChatGPT的相關經驗，反復對GPT-4進行調整。結果是，GPT-4在事實性（factuality）、可引導性（steerability）和拒絕超範圍解答（非合規）問題（ refusing to go outside of guardrails.）方面取得了有史以來最好的結果（儘管它還不夠完美）

在過去兩年裡，我們重構了整個深度學習堆棧，並與Azure合作，為工作負荷從頭開始，共同設計了一台超級計算機。一年前，OpenAI訓練了GPT-3.5，作為整個系統的首次”試運行”，具體來說，我們發現並修復了一些錯誤，並改進了之前的理論基礎。因此，我們的GPT-4訓練、運行（自信地說：至少對我們來說是這樣！）空前穩定，成為我們首個訓練性能可以進行提前準確預測的大模型。隨著我們繼續專注於可靠擴展，中級目標是磨方法，以幫助OpenAI能夠持續提前預測未來，並且為未來做好準備，我們認為這一點，對安全至關重要。

我們正在通過ChatGPT和API（您可以加入WaitList）發布GPT-4的文本輸入功能，為了能夠更大範圍地提供圖像輸入功能，我們正在與合作夥伴緊密合作，以形成一個不錯的開端。我們計劃開源OpenAI Evals，也是我們自動評估AI模型性能的框架，任何人都可以提出我們模型中的不足之處，以幫助它的進一步的改進。

能力

在簡單閒聊時，也許不太好發現GPT-3.5和GPT-4之間的區別。但是，當任務的複雜性達到足夠的閾值時，它們的區別就出來了。具體來說，GPT-4比GPT-3.5更可靠，更有創造力，能夠處理更細微的指令。

為了理解這兩個模型之間的差異，我們在各種不同的基准上進行了測試，包括模擬最開始那些為人類設計的考試。通過使用最新的公開測試（就奧數和AP等等考試）還包括購買2022-2023年版的練習考試來進行，我們沒有為這類考試給模型做專門的培訓，當然，考試中存在很少的問題是模型在訓練過程中存在的，但我們認為下列結果是有代表性的。

我們還在為機器學習模型設計的傳統基准上，對GPT-4進行了評估。 GPT-4大大超過現有的大語言模型，與多數最先進的（SOTA）模型並駕齊驅，這些模型包括針對基準的製作或額外的訓練協議。

由於現有的大多數ML基準是用英語編寫的，為了初步了解其他語言的能力，我們使用Azure Translate將MMLU基準：一套涵蓋57個主題的14000個選擇題，翻譯成了各種語言。在測試的26種語言中的24種語言中，GPT-4的表現優於GPT-3.5和其他大模型（Chinchilla，PaLM）的英語表現，這種優秀表現還包括類似拉脫維亞語、威爾士語和斯瓦希里語等等。

我們一直在內部使用GPT-4，發現它對支持、銷售、內容審核和編程等功能會產生很大影響，我們還在用它來協助人類評估AI的輸出，這就是我們調整戰略的第二階段的開始。

視覺輸入

GPT-4可以接受文本和圖像的提示語（prompt），這與純文本設置平行。比如說，可以讓用戶指定任何視覺或語言任務，它可以生成文本輸出（自然語言、代碼等），給定的輸入包括帶有文字和照片的文件、圖表或屏幕截圖，GPT-4表現出與純文本輸入類似的能力。此外，還可以應用在為純文本語言模型開發的測試時間技術，包括少數幾個鏡頭和CoT的Prompting，不過目前圖像輸入仍然屬於研究方面預覽，沒有像C端公開產品。

下列圖片顯示了一個”Lightning Cable “適配器的包裝，有三個面板。

面板1：一個帶有VGA接口（通常用於電腦顯示器的大型藍色15針接口）的智能手機插在其充電端口。

面板2：”Lightning Cable “適配器的包裝上有一張VGA接口的圖片。

面板3：VGA連接器的特寫，末端是一個小的Lightning連接器（用於為iPhone和其他蘋果設備充電）。

這張圖片的搞笑性質來自於將一個大的、過時的VGA連接器插入一個小的、現代的智能手機充電端口..因此看起來很荒謬

通過在一套狹窄的標準學術視覺基准上，對GPT-4的性能進行評估，並且對它進行預覽。然而，這些數字並不能代表其的能力範圍，因為我們發現，這個模型能夠處理很多的新的和令人興奮的任務，OpenAI計劃很快發布進一步的分析和評估數字，以及對測試時間技術效果的徹底調查結果。

可控制的AI

我們一直在努力實現關於定義AI行為那篇文章中，所概述的計劃的每個方面，包括AI的可控制性。與經典的ChatGPT個性的固定言語、語氣和風格不同，開發者（很快就是所有的ChatGPT用戶）現在可以通過在”系統”消息中描述這些方向，來規定自己的AI的風格和任務。系統消息允許API用戶在範圍內，大幅對用戶體驗進行定制，我們將持續改進。

局限性

儘管能力驚人，不過，GPT-4仍存在與早期GPT模型類似的限制。最重要的是，它仍然不是完全可靠的（比如說，它會對事實產生”幻覺”，並出現推理錯誤）。在使用語言模型的輸出時，特別是在高風險的情況下，應該非常小心謹慎，比如說：需要人類審查，完全避免高風險的使用）以及需要與特定的使用案例的需求相匹配。

儘管各類情況仍然存在，但相較於以前的模型（這些模型本身也在不斷改進），GPT-4大大減少了hallucinations（意思是網絡錯覺，這裡指的是一本正經的胡說八道）。在我們內部的對抗性事實性評估中，GPT-4的得分比我們最新推出的GPT-3.5高40%。

可控制的AI

GPT-4的基礎模型在這項任務中只比GPT-3.5略勝一籌；然而，在經過RLHF的後期訓練後（應用我們對GPT-3.5使用的相同過程），卻有很大差距。該模型在其輸出中會有各種偏差，我們在這些方面已經取得了進展，但仍有更多工作要做。根據我們最近的博文，我們的目標是使我們建立的人工智能係統具有合理的默認行為，以反映廣泛的用戶價值觀，允許這些系統在廣泛的範圍內被定制，並獲得公眾對這些範圍的意見。

GPT-4通常缺乏對其絕大部分數據截止後（2021年9月）發生的事件的了解，也不會從其經驗中學習。它有時會犯一些簡單的推理錯誤，這似乎與這麼多領域的能力不相符，或者過於輕信用戶的明顯虛假陳述。有時它也會像人類一樣在困難的問題上失敗，例如在它產生的代碼中引入安全漏洞。 GPT-4也可能在預測中自信地犯錯。

風險和緩解措施

我們一直在對GPT-4進行迭代，使其從訓練開始就更加安全，保持一致性，我們所做的努力包括預訓練數據的選擇和過濾、評估，邀請專家參與，對模型安全改進、監測，以及執行。

GPT-4與過去的模型會存在類似風險，如生產有害的建議、錯誤代碼或不准確的信息。然而，GPT-4的額外能力還導致了新的風險面。為了明確這些風險的具體情況，我們聘請了50多位來自人工智能對接風險、網絡安全、生物風險、信任和安全以及國際安全等領域的專家對該模型進行對抗性測試。他們的參與，使我們能夠測試模型在高風險領域的行為，這些領域需要專業知識來評估。來自這些領域專家的反饋和數據，為我們緩解和改進模型提供了依據。比如說，我們已經收集了額外的數據，以提高GPT-4拒絕有關如何合成危險化學品的請求的能力。

GPT-4在RLHF訓練中加入了一個額外的安全獎勵信號，通過訓練模型來拒絕對此類內容的請求，從而減少有害產出（由我們的使用指南定義）。獎勵是由GPT-4的分類器提供的，它能夠判斷安全邊界和安全相關提示的完成方式。為了防止模型拒絕有效的請求，我們從不同的來源（例如，標記的生產數據，人類的紅隊，模型生成的提示）收集多樣化的數據集，並在允許和不允許的類別上應用安全獎勵信號（存在正值或負值）。

與GPT-3.5相比，我們的緩解措施大大改善了GPT-4的許多安全性能。與GPT-3.5相比，我們將模型對非法內容的請求的響應傾向，降低了82%，而GPT-4對敏感請求（如醫療建議和自我傷害）的響應符合我們的政策的頻率提高了29%

總的來說，我們的模型級干預措施增加了誘發不良行為的難度，但仍然存在”越獄”的情況，以產生違反我們使用指南的內容。隨著人工智能係統的風險的增加，在這些干預措施中實現極高的可靠性將變得至關重要。目前重要的是，用部署時間的安全技術來補充這些限制，如想辦法監測。

GPT-4和後續模型，很有可能對社會產生正面或者負面的影響，我們正在與外部研究人員合作，以改善我們對潛在影響的理解和評估，以及建立對未來系統中可能出現的危險能力的評估。我們將很快分享我們對GPT-4和其他人工智能係統的潛在社會和經濟影響的更多思考。

訓練過程

和之前的GPT模型一樣，GPT-4基礎模型的訓練是為了預測文檔中的下一個單詞，並使用公開的數據（如互聯網數據）以及我們授權的數據進行訓練。這些數據是來自於極大規模的語料庫，包括數學問題的正確和錯誤的解決方案，弱的和強的推理，自相矛盾的和一致的聲明，以及種類繁多的意識形態和想法。

因此，當被提示有一個問題時，基礎模型可以以各種各樣的方式作出反應，而這些反應可能與用戶的意圖相去甚遠。為了使其與用戶的意圖保持一致，我們使用人類反饋的強化學習（RLHF）對模型的行為進行微調。

注意，模型的能力似乎主要來自於預訓練過程，RLHF並不能提高考試成績（如果不主動努力，它實際上會降低考試成績）。但是對模型的引導來自於訓練後的過程–基礎模型需要及時的工程，甚至知道它應該回答問題。

可預測的擴展

GPT-4項目的一大重點是建立一個可預測擴展的深度學習棧。主要原因是，對於像GPT-4這樣非常大的訓練運行，做大量的特定模型調整是不可行的。我們對基礎設施進行了開發和優化，在多種規模下都有非常可預測的行為。為了驗證這種可擴展性，我們提前準確地預測了GPT-4在我們內部代碼庫（不屬於訓練集）中的最終損失，方法是通過使用相同的方法訓練的模型進行推斷，但使用的計算量要少10000倍。

我們認為，準確預測未來的機器學習能力是安全的一個重要部分，相對於其潛在的影響，它沒有得到足夠的重視（儘管我們已經被幾個機構的努力所鼓舞）。我們正在擴大我們的努力，開發一些方法，為社會提供更好的指導，讓人們了解對未來系統的期望，我們希望這成為該領域的一個共同目標。

開放式人工智能評估

我們正在開源OpenAI Evals，這是我們的軟件框架，用於創建和運行評估GPT-4等模型的基準，同時逐個樣本檢查其性能。我們使用Evals來指導我們模型的開發（包括識別缺點和防止退步），我們的用戶可以應用它來跟踪不同模型版本（現在將定期推出）和不斷發展的產品集成的性能。例如，Stripe已經使用Evals來補充他們的人工評估，以衡量他們的GPT驅動的文檔工具的準確性。

因為代碼都是開源的，Evals支持編寫新的類來實現自定義的評估邏輯。然而，根據我們自己的經驗，許多基準都遵循一些”模板”中的一個，所以我們也包括了內部最有用的模板（包括一個”模型分級Evals “的模板–我們發現GPT-4有令人驚訝的能力來檢查自己的工作）。一般來說，建立一個新的評估的最有效方法是將這些模板中的一個實例化，並提供數據。我們很高興看到其他人能用這些模板和Evals更廣泛地建立什麼。

我們希望Evals成為一個分享和眾包基準的工具，最大限度地代表廣泛的故障模式和困難任務。作為後續的例子，我們已經創建了一個邏輯謎題評估，其中包含GPT-4失敗的十個提示。 Evals也與實現現有的基準兼容；我們已經包括了幾個實現學術基準的筆記本和一些整合CoQA（小的子集）的變化作為例子。

我們邀請大家使用Evals來測試我們的模型，並提交最有趣的例子。我們相信Evals將成為使用和建立在我們的模型之上的過程中不可或缺的一部分，我們歡迎直接貢獻、問題和反饋。

ChatGPT Plus

ChatGPT Plus用戶將在chat.openai.com上獲得有使用上限的GPT-4權限。我們將根據實際需求和系統性能調整確切的使用上限，但我們預計容量將受到嚴重限制（儘管我們將在接下來的幾個月裡擴大和優化）。

根據我們看到的流量模式，我們可能會為更高的GPT-4使用量引入一個新的訂閱級別，我們也希望在某個時候提供一定數量的免費GPT-4查詢，這樣那些沒有訂閱的用戶也可以嘗試。

API

要獲得GPT-4的API（使用與gpt-3.5-turbo相同的ChatCompletions API），請可以去OpenAI的官方Waitlist上註冊。

結論

我們期待著GPT-4成為一個有價值的工具，通過為許多應用提供動力來改善人們的生活。還有很多工作要做，我們期待著通過社區的集體努力，在這個模型的基礎上進行建設、探索和貢獻，共同對模型進行改進。

參考文獻：1.https://openai.com/research/gpt-4

2.https://techcrunch.com/2023/03/14/openai-releases-gpt-4-ai-that-it-claims-is-state-of-the-art/

3.https://www.theverge.com/2023/3/14/23638033/openai-gpt-4-chatgpt-multimodal-deep-learning