AI Daily 硬核上手 | 大模型英雄榜上榜：华人科学家的物种进化图
还能这么玩?清华给ChatGPT 做逆向，发现了 chatgpt的进化轨迹!
清华研究团队最近对 ChatGPT 版本进行了数据集记录和分析，揭示了模型的改进和发展趋势。研究团队通过构建按月和按日记录 ChatGPT 变化的数据集，对模型的发展历程进行了详细分析。研究结果表明，新版 ChatGPT 在攻击性与垃圾文本分类任务中几乎达到了最先进水平，同时在数学推理方面也取得了重大进步。不过，模型在依赖先验知识的任务中性能略有下降。
为了更深入地了解 ChatGPT，研究团队对其特征稳定性进行了分析。经过对总计 265 个特征的分析，研究发现 ChatGPT 在语义丰富度方面得到了加强，同时其可读性和语义清晰度成为了其最稳定且表现最佳的核心竞争力。这些研究结果不仅有助于我们更好地了解 ChatGPT，也为深度学习模型的进一步发展提供了参考意见。
两周时间，我体验了GPT-4 从编程神器变成编程智障!
在过去两周里，我尝试使用 GPT-4 进行编程，但遇到了一些问题。首先，我建议 GPT-4 添加一些功能，如自定义音程范围、和弦识别和排行榜等，以提高其音程听力训练应用的效果。
然而，在尝试生成代码时，我遇到了一些困难。虽然 GPT-4 提供了一些代码片段，但它们可能存在一些问题，如引用了不存在的变量和函数，或者忽略了上下文和需求。即使我尝试使用多种方法，如阐明需求、提醒代码、要求它倒退一步等，GPT-4 仍然未能生成可运行的代码。
在这种情况下，一种有用的技巧是要求 GPT-4 生成代码文档。为函数添加详细的文档说明后，GPT-4 可以成功生成可运行的代码。
经过反复尝试，我学会了如何与 GPT-4 一起工作，并对其他人是否遇到类似问题表示好奇。尽管 GPT-4 有时表现得似乎像是具有智能，但实际上它只是一个复制和粘贴机器。因此，我们需要学会如何与它合作，以达到最佳效果。
大模型物种进化图转疯了:8位华人打造，一眼看懂“界门纲目”，原来BERT后代已绝种
征，分为编解码器和仅编码器两类；GPT派则主张保留解码器，现在以OpenAI为代表在LLM领域占据优势。
影响大模型性能的关键因素：数据类型对模型性能产生重要影响，包括预训练数据、微调数据和测试/用户数据，分别决定了模型的基本能力、特定任务性能和泛化能力。
选择适合实际任务的模型：根据任务需求，关注数据类型和模型性能指标，例如在自然语言理解任务中，微调模型通常优于LLM，而在知识密集型任务中，LLM则具备更丰富的现实世界知识，更适合使用。
任务特点与模型差异：LLM具有强大的泛化能力，但在特定任务或需求与所学知识不匹配的情况下，微调模型可能表现更好。
