追平GPT3.5！5道推理题测试国产大模型与GPT差距

目前国产大模型可谓百花齐放，有些大模型甚至自称达到或者超过GPT3.5的水平，那实际情况究竟如何，我用5道推理题测试了GPT4、GPT3.5、 百度文心一言、讯飞星火大模型的表现，以下是测试过程。

问题一

有100斤土豆，含水量是99%，经过暴晒后含水量变成98%，请问此时土豆有多少斤？

GPT4: 正确

GPT3.5: 第1次回答不正确

第4次回答正确

注：点击"Regenerate response"按纽可以重新生成回答。

百度文心一言：正确

讯飞星火：正确

360智脑：3次回答仍然错误

问题二

个猎人向南走了一英里，再向东走了一英里，然后向北走了一英里，最终回到了出发点。他看到一只熊并开枪打死了它。这只熊是什么颜色？

GPT4: 正确

GPT3.5: 错误

百度文心一言：第2次回答正确，不过没有解释原理，同时回答有一个错别字“再”

讯飞星火：错误

360智脑：3次回答仍然错误

问题三

1.他怀孕的时候才3岁。

2.她怀孕的时候已经40岁了。

3.火车起飞时间是25点32分。

4. 离地面5米高的树枝上有一个水果，小明够不着，他搬来1个50CM高的凳子，站在凳子上摘到了水果。

上面4句话有问题吗?

GPT4: 第2次回答正确率100%（6/6）

GPT3.5: 正确率67%（4/6）

百度文心一言：正确率50%（3/6）

讯飞星火：正确率50%（3/6）

360智脑：正确率16%

问题四

有七个排成一列的数，它们的平均数是 30，前三个数的平均数是28，后五个数的平均数是33。求第三个数。

GPT4: 正确

GPT3.5: 第2次回答正确

百度文心一言：多次尝试仍然错误

讯飞星火：正确

360智脑：3次回答仍然错误

问题五

5,5,5,1这4个数字，在中间添加四则运算符号（+-*/)和括号，在所有的可能方案中，找出一个方案，让计算结果等于24.

GPT4: 正确

GPT3.5：尝试3次仍然失败

文心一言：正确

讯飞星火：重试3次仍然失败

360智脑：拒绝回答

得分评估

总结

1. 针对5道推理题测试比较，国产大模型推理能力已经和GPT3.5差不多，甚至文心一言还略有超过。
2. GPT4仍然是一骑绝尘，最好的文心一言也只达到GPT4 60%左右水平。
3. 一个月前我测试过这些问题，GPT和国产大模型都没有今天回答的好，说明它们还在迭代进化。
4. 陆奇说世界上只有2个国产能做出大模型：美国、中国，我相信中国会做出对标GPT4的大模型。