采寫／王舒然
編輯／萬天南
國產大模型集體交答卷了。
8月31日，首批11家國產大模型獲批上線，包括百度的“文心一言”、 商湯科技的“商量SenseChat”、 智譜AI的“智譜清言”、MiniMax的“ABAB”、 上海人工智能實驗室的書生通用大模型、抖音的“云雀”、百川智能的“百川”以及中科院旗下的“紫東太初”、 科大訊飛的“訊飛星火認知大模型”、阿里“通義千問”、360智腦。
其中，文心一言、商量SenseChat、抖音基于“云雀”研發的AI智能助手“豆包”、智譜清言、MiniMax的“ABAB”、“訊飛星火認知大模型”已經面向公眾開放測試。
另據第一財經報道，阿里“通義千問”、360智腦也預計在未來一周左右陸續開放。
自今年2月ChatGPT掀起“生成式AI”熱后，國產大模型齊齊備戰，7個月后的今天，到了驗收成果的時候。
就速度而言，不可謂不驚喜，但真正讓人關心的還是效果如何。
《財經故事薈》體驗了上述6家已經開放測試的大模型，從文本創作、數理計算、作畫、信息檢索等角度與其做了對話，發現這些大模型已經能解決相當一部分問題，尤其在文本創作方面頗有些亮點。當然，有瑕疵也在所難免，但就短短半年的沉淀而言，總體值得給一個肯定。
需要說明的是，大模型輸出的結果存在隨機性，即便是同一指令，每次生成的內容也有差異，因而不能就有限的體驗去定論模型的高下。
不過，國內大模型榜單SuperCLUE發布的大模型8月排行榜，倒是能體現出這些大模型的總體水平。排行榜顯示，在國產大模型中，百川智能的Baichuan-13B-Chat(V2)拿下榜首，MiniMax的MiniMax-abab5及百度的文心一言（V2.2.3）緊隨其后。
文本創作：頗有亮點
文本處理是這些大模型的主攻方向之一，其中，基于文本的創作是重頭戲，其一直肩負著解放生產力的眾望。
此次體驗重點針對寫詩、起標題、構思文章、潤色作文的能力進行。
其一，寫詩方面，這些大模型總體表現都不錯，創作的詩基本都有合理的語義和語境，而不只是詞與詞的無邏輯拼湊。
比如，指令是“寫一首詩，關鍵詞包含江湖、菩提、相逢”時，文心一言、商量大模型、MiniMax大模型均表現不錯，尤其掌握了押韻的精髓。
（左：文心一言，中：商量，右：MiniMax）
相對而言，百川大模型、訊飛星火、智譜清言、抖音“豆包”在押韻方面有時不夠穩定。
（左：訊飛星火，右：智譜清言）
其二，起標題方面，這些大模型也基本能抓住中心思想，雖然代替人的思考還不現實，但可以提供參考。
比如，輸入《財經故事薈》之前寫的關于“短視頻造假背后的流量經濟及造假產業鏈”的段落后，文心一言、訊飛星火、智譜清言、百川大模型的結果如下：
（左上：智譜清言，左下：商量，右上：訊飛星火，右下：百川）
而頗讓人有點驚喜的是MiniMax大模型的標題，其看起來不只是“組合”已有關鍵詞，而是有自己的歸納，部分直接拿來用也未嘗不可：《短視頻造假屢禁不止：揭秘背后的利益鏈和傳播機制》、《短視頻造假亂象：“流量為王”時代的道德困境》、《短視頻造假：一場博人眼球的“游戲”》、《造假短視頻：平臺、創作者與看客的共謀》、《短視頻造假：技術與人性的扭曲》。
值得一提的是，在上述體驗過程中，百川大模型有一個比較迷惑的現象，其似乎在“某些內容輸入字數過多”時無法處理，會提示回答不了，縮減段落后才會給出結果。
比如，上述測試段落有1600多字，縮減為1200多字后才能回答，但在嘗試另一個1400多字的段落時，卻可以正常處理，原因無從得知。
其三，潤色文章方面，各家水平可圈可點，彼此難分上下。
一方面，它們都能處理基本的錯別字、標點、語法等問題，只不過處理方式有差異。
比如，對于“我們自天性來說，本是嬌小的，本是弱小的”的潤色，文心一言會處理成“從天性來說，我們本是嬌小且弱小的”，而百川、智譜清言、訊飛星火則傾向于更簡潔的處理，類似于“我們天生就是渺小的，脆弱的”。
但這種處理風格并不固定，比如，對于“我打小住在鄉村，我十分稀愛下雨天，每次偶然對上下雨，我都很激動”的潤色，文心一言的處理更簡潔“我從小在鄉村長大，對雨天有著深深的喜愛”；訊飛星火則是在原有表達基礎上做簡單修飾“我自幼生活在鄉村，我非常喜愛下雨天。每當偶然遇到下雨天，我總是興奮不已。”——可見，AI算法帶有強烈的“隨機性”。
文心一言的結果
另一方面，在一些語義理解上，各家的識別與處理也有差異。
以潤色“因為下雨啊，可以讓一個人獲得成長，使其變得更美好呀！”為例，文心一言、抖音“豆包”的處理更好一些，它們都將“下雨讓人獲得成長”調整成“下雨讓生命或萬物得到滋潤”，顯然更合適，而其他大模型則沒有如此調整。
其四，在構思文章方面，幾家大模型的表現均有一定驚喜。
比如，輸入指令“分析鐘薛高進軍平價雪糕市場所面臨的挑戰”，幾家大模型都關注到了“與蒙牛、伊利等品牌的競爭”、“對鐘薛高品牌形象的影響”、“成本控制”的角度。
尤其值得稱贊的是，文心一言、抖音“豆包”還特別關注到“鐘薛高將面臨的銷售渠道挑戰”——這完全能給寫稿者提供一定思路。
抖音“豆包”的結果
不過，瑕疵也在所難免，在“分析鐘薛高推出低價雪糕的原因”問題上，幾家大模型雖然都給出了3-4點分析角度，但其實有些角度的本質含義一樣，均指向“擴大消費群體，開拓市場份額”，是可以合并的。
以文心一言為例：
這說明在語義理解上，這些大模型還有不小的進步空間。
實際上，在體驗過程中，就曾在語義理解上出現過比較離譜的現象。
比如，在“制定老年人愛看的2024年春晚節目單”問題上，訊飛星火、智譜清言、百川大模型、商量大模型、抖音“豆包”的人員名單中都出現了“鄧麗君”或“趙麗蓉”等已過世明星。
訊飛星火的結果
再比如，在“請寫一個‘火腿腸炒鼠標’的菜譜”問題上，智譜清言、訊飛星火、商量大模型、抖音“豆包”均指出鼠標不能食用，百川大模型則很配合，還特意標注“使用廢棄不用的鼠標”，著實有點冷幽默。
百川大模型的結果
文心一言更是有求必應，“將鼠標去除內臟”的步驟讓人啼笑皆非。
文心一言的結果
但總的來說，短短7個月就能交付上述結果，這些大模型均值得一個肯定。
數理計算：水平不穩定
在解答數學題方面，《財經故事薈》抽取了10道初中數學題進行測試，結果是：文心一言、訊飛星火、商量大模型均答對5道，智譜清言答對4道，抖音“豆包”答對3道，百川大模型只答對2道。
比如，在比較簡單的“大于-0.5而小于4的整數共有多少個？”問題上，文心一言、商量大模型答對，是4個，其余均錯誤。
而且，智譜清言“錯上加錯”，其列舉了5個數，但說成了7個。
智譜清言結果
在解答物理題方面，關于物理現象的解釋，這些大模型普遍沒有問題，《財經故事薈》抽樣了10道初中物理現象解釋題，它們均能答對9~10道。
比如，在“為什么池水深度看起來比實際的淺?”問題上，它們都能答出“折射原理”。
這或許是因為，物理現象解釋更偏文本檢索和歸納，本質還是文本處理能力，這正中大模型的主攻方向。
當然，現階段出現一些離譜解釋也在所難免。
比如，在“醫生給病人檢查時，常把一把小鏡子在酒精燈上燒一燒，然后再放入病人的口腔，為什么?”問題上，百川大模型就答多錯多，其額外提到了“鏡子會吸附口水，而口水含有豐富的礦物質等，對于治療某些疾病具有輔助效果”的奇怪解釋。
而在物理計算方面，這些大模型普遍表現欠佳。
在10道涉及物理運動、質量與密度、壓強、電學等不同題型的初中物理試題中，商量大模型表現較為突出，答對了4道，文心一言、百川大模型、抖音“豆包”答對2道，訊飛星火、智譜清言則只答對1道。
比如，在“甲乙兩個同學沿相反的方向拉測力計，各用力200牛，則測力計的示數是多少？”問題上，答案是200牛，只有商量大模型答對，且解題思路正確。文心一言、訊飛星火、百川大模型、智譜清言給出的答案都是0，抖音“豆包”則認為是400牛。
商量大模型結果
再比如，在“某同學用刻度尺測量鋼球的直徑，測得的四次結果是1.82CM，1.87CM，1.68CM，1.81CM，則小球的直徑應該取多少？”問題上，也只有商量大模型答對1.83CM，文心一言、百川大模型、訊飛星火都是1.79CM，抖音“豆包”是1.825CM，智譜清言解題思路正確，但最終結果算錯為1.82CM。
智譜清言結果
但需要備注的是，大模型的數理計算結果仍舊不穩定。
就如上述直徑問題，智譜清言第一次結果是錯誤的1.82CM，但重新詢問時又給出了1.83CM的正確答案；而在上述測力計問題上，訊飛星火第一次回答是錯誤的0，重新詢問又回答成錯誤的400N。
總的來說，在有標準答案的數理問題上，這些大模型表現都不能算及格。
作畫水平“拉胯”，“觸雷”概率較大
在6家大模型中，目前只有文心一言、訊飛星火支持作畫。
不過，目前這兩家大模型的作畫能力尚未達到理想狀態，“觸雷”概率不低。
其一，有些畫作看起來有些“假”，不夠真實。
以“馬”、“風景”為例，以下是文心一言的刻畫。
訊飛星火的風景畫在意境方面更好一些，但馬的刻畫風格跟文心一言一樣，有點不真實。
其二，它們對語義的理解還有欠缺。
以“請畫一幅李清照和蘇軾在下棋的畫”為例，文心一言的畫作上只呈現了一個人。
提示之后才增加，但“李清照”下棋坐的位置明顯不對。
而訊飛星火方面，雖然呈現了兩個人，但都是男性，也不符合需求。
經提示后，其竟然無法再重新生成圖片，且嘗試多次均如此。
比如，“畫一碗牛蛙面”，訊飛星火的很離譜——面里有整只牛蛙。
（左：文心一言，右：訊飛星火）
再比如，“畫一只正在睡覺的俄羅斯藍貓”，訊飛星火將俄羅斯藍貓理解成藍色的貓，而文心一言雖理解正確，但顧此失彼，對睡覺有些“誤解”。
（左：文心一言，右：訊飛星火）
其三，在面部等細節的刻畫上，大模型還有不少問題。
比如文心一言畫的人，眼睛有時會出現“斗雞眼”，或者面部、手腳成“模糊的一團”。
訊飛星火也存在相似問題，比如下圖中“牧羊少年”的面部就有些畸形的詭異感。
試圖引導其優化，結果引來了更“災難”的畫面：
當然，也有值得肯定之處，在不需要刻畫太多細節的場景下，作品還是能讓人“駐足欣賞”一下。
比如下述兩家大模型給出的山水畫。
（左：文心一言，右：訊飛星火）
總的來說，相比文本能力，大模型的作畫水平需要更多“調教”，在這個過程中，不僅需要算法和數據層面的持續調優，也需要人在指令層面與其磨合，以充分挖掘其潛力。
正如李彥宏所說，未來提出問題比解決問題更重要，10年后，全世界可能有50%的工作是提示詞工程。
信息檢索：準確度待提升
如果把大模型當搜索工具用，就需要其在信息更新的及時性、全面度和準確性上達到合格水平。
體驗發現，在部分搜索場景下，這些大模型能提供準確信息。
比如，在“曹操為什么娶林黛玉？”、“張三豐為什么殺張無忌？”、“花生為什么長在樹上？”等問題陷阱里，每一家都能準確告知不存在這個現象。
文心一言結果
再比如，關于“是誰提出了新三民主義？”、“淞滬會戰是什么時候？”、“是誰首次培育出了雜交水稻？”等具體問題上，這些大模型也都能正確回答。
但在一些數據統計層面，它們表現很不理想。
一方面，有些大模型缺失最新數據，或者缺少某些特定領域的數據儲備。
比如，在統計中國年度新增人口時，文心一言、訊飛星火最新可統計到2022年，但智譜清言只能查到2020年，百川大模型、抖音“豆包”則只能查到2021年，商量大模型完全統計不到此類數據。
百川大模型結果
同樣的，在統計中國年度GDP時，百川大模型最新也只能查到2021年，商量大模型也完全統計不到。
商量大模型結果
再比如，在部分有關線下店面信息的問題上，MiniMax大模型、智譜清言、百川大模型、抖音“豆包”會表示無法查詢。
還有一些歷史信息，部分大模型也缺失相關內容，比如，問“中國成功爆炸第一顆氫彈是什么時候”，智譜清言和百川大模型均提示無法查詢。
另一方面，數據的準確度也普遍欠佳。
比如，在“請統計下最近5年中國GDP數據”問題上，以國家統計局網站上的數據為標準，沒有一家是完全正確的。
其中，文心一言只有2021年的數據不正確，其顯示是114.37億元，而國家統計局是114.92億元。
經過提示后，再重新提問，其做了更正：
百川大模型、訊飛星火、抖音“豆包”則是每一年的數據都不正確；MiniMax大模型是2021、2022年不一致；智譜清言則只有2020年是正確的。
此外，在這幾家大模型中，只有MiniMax將“2022年劃分到最近5年”，其余均默認最新顯示到2021年。
MiniMax結果
其實，準確度欠佳的問題不止出現在數據統計上。
比如，在“魯智深為什么三打白骨精”的問題陷阱中，只有文心一言、商量大模型、抖音“豆包”回答不存在，其他大模型都開始“編故事”了。
再比如，在詢問“父母之愛子，則為之計深遠”的典故時，也只有文心一言、商量大模型、抖音“豆包”回答正確，百川大模型認為沒有特定典故，訊飛星火、智譜清言則說錯了典故出處。
抖音“豆包”結果
還有，查詢電影信息時也有類似現象，在“為陳思誠監制的電影《消失的她》寫影評”問題上，只有文心一言、商量大模型、抖音“豆包”描述的事實與電影相符，百川大模型、訊飛星火、智譜清言則有點“串場”，都提到了沒有參演的黃渤。
百川大模型結果
類似的現象在評價最新電影《封神》時也有出現，只有文心一言對劇情的描述正確，其余大模型均將其誤認為是之前的電影《封神傳奇》；而當輸入指令更明確為“2023年上映的《封神第一部：朝歌風云》”時，百川大模型、商量大模型、訊飛星火仍然錯誤，智譜清言、抖音“豆包”則做了更正。
可以看到，現階段如果把大模型當搜索用，還是讓人不放心。
其實，除了上述四大類能力外，這幾家大模型還都具備跨語言處理能力。《財經故事薈》以最簡單的“我愛你”為例，進行中文與法語、德語等語言的互翻，都能得到準確回答。當然，更復雜的跨語言處理能力還有待繼續挖掘。
綜上，僅以上述體驗結果看，現階段的大模型在文本創作方面基本邁過了及格線，在某些場景下還能“制造”一些驚喜感，這頗為難得。但其也像一個偏科的學生，在數理方面普遍一般，BUG較多；作畫水平更是有待優化，“雷人”概率比較大；信息檢索方面還不穩定，用起來不太放心。
那么問題來了，對照當下的現實，再回看當初大模型被“吹捧”上神壇的那些觀點：“AI的iPhone時刻”“大模型將改變世界”……這些觀點所構建的未來還值得期待嗎？
答案毋庸置疑：值得，“莫欺少年窮”！大模型今天交付的答卷只是其漫漫長路上的起點，在此后的每一天，甚至每一小時里，大模型可能都處在無止境的進化中。