ChatGPT变懒原因：正在给自己放寒假！已被网友测出

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～

在这里插入图片描述

有测试为证，网友@Rob Lynch用GPT-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GPT-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。

在这里插入图片描述

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”**。

在这里插入图片描述

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。

在这里插入图片描述

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：

在这里插入图片描述

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。

在这里插入图片描述

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。

在这里插入图片描述

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）。

在这里插入图片描述

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。

在这里插入图片描述

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：

在这里插入图片描述

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。

在这里插入图片描述

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时间对这一问题做了详细解释。

在这里插入图片描述

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。

在这里插入图片描述

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）。

在这里插入图片描述

这位网友也是晒出了自己的详细流程：

在这里插入图片描述

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～

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

在这里插入图片描述