斯坦福大学的器人团队评估了 ChatGPT 在几个月内如何处理不同的任务。他们发现，的定ChatGPT 的表现不稳能力随时间的推移而出现了不一致。目前，斯坦ChatGPT 有两个版本 —— 免费的学研现 GPT-3.5 模型和更智能、更快速的天机付费 GPT-4 版本。 研究人员发现，器人GPT-4 在 3 月份能够有效地解决数学问题，的定识别质数的表现不稳准确率为 97.6%。三个月后，斯坦其准确率下降到了 2.4%。学研现而另一方面，天机GPT-3.5 却变得更好，从 7.4% 的准确率提高到了 86.8%。
研究人员还注意到，在编写代码和视觉推理方面也有类似的波动。斯坦福大学计算机科学教授 James Zou 称：“当我们调整一个大型语言模型来提高它在某些任务上的表现时，那可能会有很多意想不到的后果，可能会损害这个模型在其他任务上的表现…… 这个模型回答问题的方式有各种各样的相互依赖性，这可能导致我们观察到的一些恶化行为。”
研究人员认为，结果并不能真正反映 ChatGPT 性能的准确性状态，而是显示了微调模型带来的意外后果。本质上，当修改模型的一部分来改善一个任务时，其他任务可能会受到影响。为什么会这样很难确定，因为没有人知道 ChatGPT 是如何运作的，而且它的代码也不是开源的。
随着时间的推移，研究人员注意到，ChatGPT 的回答不仅变得不太准确，而且还停止了解释其推理过程。
由于 ChatGPT 的运作方式，要研究和衡量它的表现可能很困难，这项研究强调了观察和评估驱动 ChatGPT 等工具的大型语言模型（LLM）性能变化的必要性。该研究已经在 arXiv 上发布，并正在等待同行评审，附链接在此。
广告声明：文内含有的对外跳转链接（包括不限于超链接、二维码、口令等形式），用于传递更多信息，节省甄选时间，结果仅供参考，所有文章均包含本声明。
(责任编辑：时尚)