OpenAI开源SimpleQA！轻松检测、校准大模型能力

　　这很有趣，会看到更多的模型被测试，以及它们与我在提供的文本上进行的虚构/幻觉基准测试结果的比较。

　　所以◆◆★★，SimpleQA对于开发者来说，可以精准测试大模型能否输出正确的答案■★■，并对模型的说谎能力进行校准然后进行大幅度优化完善模型能力。

　　今天凌晨■★★，OpenAI开源了最新基准测试集SimpleQA★★，可以帮助开发者轻松检测、校准大模型的真实性能力。

　　SimpleQA的评估问题和答案都非常简短★◆■，这使得运行速度快且操作简单◆★◆★◆。在评估模型回答时，通过 OpenAI API进行评分也十分迅速。数据集中包含4326个问题，能够在一定程度上降低不同次运行之间的方差，使评估结果更加稳定可靠■★。

　　令人惊讶的是，SimpleQA 被有意设计用来挑战像 GPT-4这样的高级模型，其中只包括至少有一次模型尝试失败的问题■★◆◆。这种对抗性的基准测试方法感觉像是一种大胆的转变，旨在揭示模型的局限性并推动模型的发展■★。

　　例如★★◆■■★，GPT -4o 在回答一些问题时能够给出较高比例的正确答案，但仍有部分错误回答和未尝试回答的情况。同时，通过测量模型的校准情况◆◆◆■，发现模型虽然有一定的信心概念，但普遍存在高估自己信心的问题，模型的信心水平与实际回答的准确性之间存在差距。

　　例如，在对多个模型进行测试时，不会因为数据集本身的不稳定性而导致结果出现较动★★，从而能够更准确地比较模型之间的性能差异■◆■★◆★。

　　在数据收集阶段，SimpleQA的问题参由两名独立的 AI 训练员确定，并且训练员在创建问题时被要求提供支持答案的网页链接★■◆◆，以确保答案有可靠的依据。

　　SimpleQA的评估集非常多元化。涵盖历史、科学技术、艺术、地理、电视节目等多个领域。这种多样性使得评估结果更具普遍性和代表性■◆★★■，能够全面地检验模型在不同知识领域的事实性回答能力。

　　例如，对于 “谁是苹果公司的创始人之一” 这样常识性问题，训练员会根据历史资料和官方信息确定答案为 史蒂夫乔布斯等★◆■，并附上如苹果公司官方网站等相关链接作为证据。

　　这很重要■★■◆，因为确保大模型的事实性对于防止错误信息的传播至关重要，而 SimpleQA 提供了一种标准化的方法来评估和改进模型可靠性的这一关键方面。

　　完全同意事实性在人工智能中的重要性◆★。SimpleQA 的引入可以显著提升我们对语言模型在这一领域表现的理解◆■★■。这是一项及时的举措，准确的数据对于信任人工智能系统至关重要。期待看到这个基准测试的影响■■■◆■■。

　　同时，问题的设计使得预测答案易于评估■◆■★◆，只允许有一个明确且无可争议的答案■★，避免了模糊性和歧义性★■。比如 ★◆“哪一年 iPhone首次发布◆◆■◆■”，答案明确为◆★★◆■“2007年”◆★★◆，而不是一个范围或模糊的表述。

　　目前，很多大模型会出现一本正经胡说八道的问题，例如，你提问NBA历史上得分最多的是谁，它回答是迈克尔乔丹，实际上是勒布朗詹姆斯。包括OpenAI自己发布的GPT-4o、o1-preview、o1mini等前沿模型都有这些“幻觉”难题★◆。

　　另一个好处是它的校准测量功能。通过询问模型对其答案的信心◆★■◆★★，研究者可以了解模型是否知道它们知道什么，这是一个很重要的校准现象。如果一个模型能够准确地评估自己的信心水平■◆，那么它就是一个校准良好的模型。