大模型智障检测+1：Strawberry有几个r纷纷数不清，最新最强Llama3.1也傻了

继分不清9.11和9.9哪个大以后，大模型又“集体失智”了!

数不对单词“Strawberry”中有几个“r”，再次引起一片讨论。

GPT-4o不仅错了还很自信。

刚出炉的Llama-3.1405B，倒是能在验证中发现问题并改正。

比较离谱的是Claude3.5Sonnet，还越改越错了。

说起来这并不是最新发现的问题，只是最近新模型接连发布，非常热闹。

一个个号称自己数学涨多少分，大家就再次拿出这个问题来试验，结果很是失望。

在众多相关讨论的帖子中，还翻出一条马斯克对此现象的评论:

好吧，也许AGI比我想象的还要更远。

路遇失智AI，拼尽全力终于教会

有人发现，即使使用Few-Shot CoT，也就是“一步一步地想”大法附加一个人类操作示例，ChatGPT依然学不会:

倒是把r出现的位置都标成1，其他标成0，问题的难度下降了，但是数“1”依旧不擅长。

为了教会大模型数r，全球网友脑洞大开，开发出各种奇奇怪怪的提示词技巧。

比如让ChatGPT使用漫画《死亡笔记中》高智商角色“L”可能使用的方法。

ChatGPT想出的方法倒是也很朴素，就是分别把每个字母写出来再一个一个数并记录位置，总之终于答对了。

有Claude玩家写了整整3682个token的提示词，方法来自DeepMind的Self-Discover论文，可以说是连夜把论文给复现了。

整个方法分为两大阶段:先针对特定任务让AI自我发现推理步骤，第二阶段再具体执行。

发现推理步骤的方法简单概括就是，不光要会抽象的思维方法，也要具体问题具体分析。

这套方法下，Claude给出的答案也非常复杂。

作者补充，花这么大力气解决“数r问题”其实并不真正实用，只是在尝试复现论文方法时偶然测试到了，希望能找出一个能用来回答所有问题的通用提示词。

不过很可惜，这位网友目前还没公布完整的提示词。

还有人想到更深一层，如果要计算文档中straberry出现多少次怎么办?

他的方法是让AI想象有一个从0开始的内存计数器，每次遇到这个单词就往上加。

有人评论这种方法就像在用英语编程。

也有AI可以一次做对

那么究竟有没有大模型，可以不靠额外提示词直接答对呢?

其实不久之前有网友报告，ChatGPT是有小概率能直接答对的，只不过不常见。

谷歌Gemini 大概有三分之二的概率能答对，打开“草稿”就能发现，默认每个问题回答三次，两次对一次错。

至于国内选手，在提问方式统一、每个模型只给一次尝试机会的测试下，上次能正确判断数字大小的，这次同样稳定发挥。

字节豆包给出了正确回答，还猜测用户问这个问题是要学习单词拼写吗?

智谱清言的ChatGLM，自动触发了代码模式，直接给出正确答案“3”。

腾讯元宝像解数学题一样列方程给出了正确答案（虽然貌似没有必要）。

文心一言4.0收费版则更加详细，也是先正确理解了意图，然后掰指头挨个找出了全部的“r”。

不过有意思的是，在同一种方法下，文心一言APP中的免费版文心3.5掰指头也能数错。

讯飞星火也通过找出“r”所在位置给出了正确回答。

还是token的锅

虽然“数r”和“9.11与9.9哪个大”，看似一个是数字问题一个是字母问题，但对于大模型来说，都是token问题。

单个字符对大模型来说意义有限，使用GPT系列的Llama系列的tokenizer就会发现，20个字符的问题，在不同AI眼中是10-13个token。

其中相同之处在于，strawberry被拆成了st-，raw，-berry三个部分来理解。

换一个思路用特殊字符ⓢⓣⓡⓐⓦⓑⓔⓡⓡⓨ来提问，每一个字符对应的token也就会分开了。

面对这种问题，其实最简单的方法就是像智谱清言一样，调用代码来解决了。

可以看到，ChatGPT直接用Python语言字符串的count函数，就能简单搞定。

刚刚创业开了所学校的大神卡帕西认为，关键在于需要让AI知道自己能力的边界，才能主动去调用工具。

至于教给大模型判断自己知道不知道的方法，Meta在LLama3.1论文中也有所涉及。

最后正如网友所说，希望OpenAI等大模型公司，都能在下个版本中解决这个问题。

GPT Tokenizer试玩

https://gpt-tokenizer.dev

Llama Tokenizer试玩

https://belladoreai.github.io/llama-tokenizer-js/example-demo/build/