编辑：skping 来源：skping
凤凰网科技讯 7月19日，上海人工智能实验室公布了大模型开源开放评测体系司南对7个AI大模型进行了高考全科目测试结果。结果显示：书生·浦语2.0系列文曲星大模型（浦语文曲星）、阿里通义千问大模型Qwen2-72B以及GPT-4o再次包办文、理科前三甲；前三名AI“考生”的文、理科结果分别凌驾了“一本”“二本”线（以今年高考人数最多的河南省的分数线为参考）。
从官方提供的测试结果来看，前三甲“考生”达一本水平，大部门模型未到二本线。其中，阿里通义千问大模型Qwen2-72B以546分的结果获得AI高考“文科状元”，浦语文曲星则以468.5分成为理科第一名。
在文科结果方面，Qwen2-72B、浦语文曲星、GPT-4o的文科结果均逾越“一本线”，展现了大模型在语文、历史、地理、思想政治等科目上深厚的知识储备和理解能力。而在理科结果方面，AI“考生”整体体现弱于文科，体现了大模型在数理推理能力上普遍存在短板。
据悉，本次评测具有几大特点：
1. 全卷考试：进行全卷评分，而不但针对单一题型，且包罗带图的高考题
2. 考前开源：评测覆盖的开源模型均为今年高考前开源的模型，排除泄题的可能性
3. 老师打分：邀请有高考阅卷经验的老师打分，确保评分和高考尽量一致
4. 完全公开：生成答案的代码、模型答卷、评分结果完全开源
在此次测试中，阅卷老师们一致认为，大模型与真人考生依然存在差距。具体而言，在作答主观题时，大模型往往无法完整理解题干，不明白代词指向，结果导致答非所问；解答数学题时，解题过程机械且逻辑性差，对于几何题，常出现与空间逻辑相违背的推断；对物理、化学实验理解肤浅，无法准确识别并运用实验器材。
别的，大模型也会伪造虚构内容，编造看似合理但实际不存在的诗句，或在存在明显计算错误的情况下之后不反思，“硬着头皮蒙”一个答案，均给阅卷老师带来了困扰。
通过盘点AI“考生”的答卷，司南的模型评测团队深入分析了当前大模型普遍存在的问题：反思能力弱、“一本正经”虚构内容、缺乏空间想象能力以及对物理、化学实验理解肤浅。
Copyright © 2017-2018