历时 400 多天，国产大模型全面赶超 GPT-4？

稍微留意下近期的新闻，“赶超 GPT-4” 正在成为国产大模型的新热点。

百度文心一言、商汤日日新以及阿里云刚刚发布的通义千问 2.5，均已迈入 “全面赶超 GPT-4” 阵营。

把时间线稍微拉长一些的话，过去大半年时间里，“超越 GPT-4” 的消息可谓屡见不鲜，即使在报道中刻意加上了多项基准、部分指标等前缀，依然赚足了眼球，成为国产大模型佐证自身能力的有力指标。

简单做个复盘的话，国产大模型对 GPT-4 的追赶已经进行了 400 多天，其中 “赶超进程” 可以粗分为三个阶段。

第一阶段：部分性能超越 GPT-4

2023 年 3 月 14 日，OpenAI 正式推出了 GPT-4，彼时大多数国产大模型还未开放，少数内测大模型的比较对象还是 GPT-3。作为业界标杆的 GPT-4，就像是科幻照进了现实，被无数人捧上神坛。

但在短短半年后，GPT-4 就出现在了国产大模型厂商的比较名单里。

2023 年 8 月底，商汤科技对外公布了一则新进展：拥有 1230 亿个参数的 “书生·浦语”，在全球 51 个知名评测集共计 30 万道问题集合上，测试成绩排名全球第二，并在综合考试 agieval、知识问答 commonsenseqa、阅读理解和推理的十项评测中位列第一，分数超过风头正盛的 GPT-4。

2023 年 10 月 17 日的 “生成未来” 发布会上，百度正式发布了文心大模型 4.0 版本，李彦宏在现场依次演示了大模型的理解、生成、逻辑和记忆四大核心能力的特点与应用场景。尽管没有给出评测数据，李彦宏却自信地表示：文心大模型 4.0 的综合水平，“与 GPT-4 相比毫不逊色”。

国产大模型赶超 GPT-4 的序幕正式拉开，此后一两个月里，不少大模型给了这样的营销口径：整体能力已经不输于 GPT-3.5，并且在部分性能指标上开始超越 GPT-4。

第二阶段：整体性能逼近 GPT-4

时间来到 2024 年初，国内的 “百模大战” 进入收敛期，一些不被资本市场认可的大模型，渐渐成了一个数字，只有几家科技大厂和独角兽仍活跃在大模型一线。“活下来” 的大模型，势必要在能力上证明自己。

综合性能逼近 GPT-4，开始成为新的营销话术。

2024 年 1 月中旬的智谱 AI 技术开放日上，正式发布了新一代基座大模型 GLM-4。按照智谱 AI 官方的说法：在权威的英文测试榜单中，GLM-4 已经整体逼近 GPT-4，平均能达到 GPT-4 90% 以上的水平，在个别项目上表现持平；而在国内企业更加看重的中文任务上，GLM-4 的表现全面超过 GPT-4。

同样是在 2024 年 1 月，科大讯飞发布了星火认知大模型 V3.5，在逻辑推理、语言理解、文本生成、数学答题、代码、多模态等核心能力均显著提升，其中语言理解、数学能力已经超过 GPT-4 Turbo，代码能力达到 GPT-4 Turbo 96%，多模态理解达到 GPT-4V 91%。“在中文理解方面，甚至遥遥领先。”

回头来看，智谱 AI 和科大讯飞的营销策略还是有些 “保守”，百川智能在同一时间段发布的 Baichuan 3，对外表示已经在 CMMLU、GAOKAO 等中文评测中超越 GPT-4。

第三阶段：全面赶超 GPT-4 Turbo

2023 年 11 月的 OpenAI 首届开发者大会，GPT-4 Turbo 可以说整个活动的焦点，不仅比 GPT-4 更聪明，文本处理的上限更高，推理的速度更快，价格也更便宜，国产大模型随即迎来了新的比较对象。

先是 2024 年 4 月份发布的日日新 5.0，拥有 6000 亿参数，并在发布会上引用了 OpenCompass 的评测数据：日日新 5.0 达到或超越了 GPT-4 Turbo 版本，几乎全方位碾压了同期发布的 Llama 3-70B。

再然后就是阿里云刚刚发布的通义千问 2.5，根据媒体报道中的说法：模型性能全面赶超 GPT-4-Turbo，成为 “地表最强” 中文大模型；通义千问 1100 亿参数开源模型在多个基准测评收获最佳成绩，超越 Meta 的 Llama-3-70B，成为开源领域最强大模型。

可以笃定的是，日日新 5.0 和通义千问 2.5 只是个开始，后续将有更多国产大模型在能力上超越 GPT-4-Turbo。

毕竟科大讯飞早已预热了上半年发布星火认知大模型 V4.0 的消息，将全面对标 GPT-4 系列；文心一言 4.0 的发布已经超过半年，不排除新版本正在准备中，且大概率会在性能上再上一个台阶……

“跑分” 的意义在哪里？

不管是一开始的 “部分性能超越”，还是现在进行中的 “全面赶超”，依据都是第三方评测结果，或者说大模型厂商的主观判断。比如商汤和阿里云争相引用的 OpenCompass，就是上海人工智能实验室开源的大模型评测平台。

对于一些大模型沉迷于刷榜、跑分的现象，上海人工智能实验室领军科学家林达华教授曾在媒体采访中直言：通过题海战术提高大模型成绩，对于模型实际能力的反应是失真的，影响了模型研发团队的改进方向和模型的商业落地，“高分低能” 伤害的是机构本身；榜单上任何具体的名字只是大模型成长过程中无数次测试中的一次，一时的排名高低并不真正反映模型的能力。

何况很多大模型测试集为了公开透明，测试题目或者提纲都是公开的，大模型厂商不难通过 “针对性的训练” 来提高分数。只要将足够的的测试题喂给大模型，在开卷考试的机制下，分数总不会太低。

也就是说，分数高并不一定代表大模型的能力强。“跑分” 的意义仅仅是让客户或开发者对大模型能力有一个初步的认识，最终的评估因素永远是 “能不能解决问题”，“能不能在场景中带来实实在在的生产力”。

特别是在大模型走向落地应用的趋势下，一味炒作 “超越 GPT-4”、“跑分第一”，妄顾落地应用的实效，可能会适得其反。以大模型应用中比较常见的财报分析为例，如果大模型连一家企业的财报都看不懂，再高的计算分数也不会让客户信服，反而会被排除在合作名单外。

而参考中信证券等机构的研究报告，目前 OpenAI 的 GPT-5 正处于红队测试阶段，有望在今年夏天正式发布，可能在多模态理解、长文本输入、zero-shot 学习等方面实现重大突破，且性能将远超 GPT-4。即使国产大模型花费 400 多天追平了 GPT-4，在相当长一段时间里，仍将处于追赶的姿态。

大模型的价值是解决日常问题的生产力工具，赶超 GPT-4 的阶段性升级，可以看作是国产大模型有序迭代部署、不断拉近差距的标志，切莫像手机跑分那样，在过度营销的作用下，沦为被群嘲的对象。