北京网友测试教育大模型9.9比9.11大
近期，一个看似简单的数学问题挑战了众多先进的人工智能大模型，引发了业界关注。问题本身并不复杂：9.11和9.9哪个数字更大？然而，在第一财经进行的测试中，即便是部分知名大模型，如阿里通义千问、百度文心一言、Minimax及腾讯元宝，能够给出正确答案，仍有包括ChatGPT-4o在内的8个大模型给出了错误判断，它们大多错误地对比了小数点后的数字。北京网友测试教育大模型9.9比9.11大！
这种情况暴露了大模型在处理数学问题时的局限性，尽管它们在文字处理和某些特定任务上表现出色，但数学能力却显得薄弱。部分行业专家指出，这可能源于大模型的设计更偏向于模拟人类的语言思维模式，而非逻辑严谨的数字处理方式。生成式语言模型在学习过程中更多地掌握了语言的关联性，而非数学所需的因果逻辑和严谨推理。
此次事件起因于一档综艺节目中的投票率比较，进而引发了公众对AI数学能力的讨论。测试显示，即便是在明确了数学语境的前提下，一些大模型依然未能正确解答。有趣的是，当记者对错误答案提出质疑后，多数大模型能自我纠正，承认之前的失误并给出正确答案，显示出一定的自我调整能力。
长期以来，大模型在数学处理上的不足已不是新鲜事。即便是最先进的模型，如GPT-4，在面对高考级别的数学试题时也表现不佳，显示出在数学逻辑和复杂推理上的缺陷。这不仅仅是数字识别或计算的问题，更是模型缺乏数学思维和灵活应用公式的能力体现。
为改善这一状况，研究者们正探索通过针对性的语料训练来提升大模型的理科能力，特别是加强其在数学推理上的训练。未来，构造型数据的使用可能会成为关键，即通过系统地设计包含数学问题解决过程的数据来引导模型学习，而非仅仅依赖互联网上的既有文本数据。这对于推动大模型在金融、工业等高要求领域的应用至关重要，因为在这些场景下，数学的准确性和逻辑推理的可靠性是不可或缺的。