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。