没眼看……“9.11 和 9.9 哪个大”这样简单的问题，居然把主流大模型都难倒了？？
强如 GPT-4o，都坚定地认为 9.11 更大。
谷歌 Gemini Advanced 付费版，同样的口径。
新王Claude 3.5 Sonnet，还一本正经的给出离谱的计算方法。
9. 11 = 9 + 1/10 + 1/1009. 9 = 9 + 9/10
到这一步还是对的，但下一步突然就不讲道理了
如上所示，9.11 比 9.90 大 0.01。你想让我进一步详细解释小数的比较吗？
这你还解释啥啊解释，简直要怀疑是全世界 AI 联合起来欺骗人类了。
艾伦 AI 研究所成员林禹臣换了个数字测试，GPT-4o 依旧翻车，他表示：一方面 AI 越来越擅长做数学奥赛题，但另一方面常识依旧很难。
也有网友发现了华点，如果是说软件版本号，那么 9.11 版本确实比 9.9 版本更大（更新）。
而 AI 都是软件工程师开发的，所以……
那么，究竟是怎么回事？
先进大模型集体翻车
一觉醒来，一众响当当的大模型开始认为“9.11>9.9”了？
发现这个问题的是Riley Goodside，有史以来第一个全职提示词工程师。
简单介绍下，他目前是硅谷独角兽 Scale AI 的高级提示工程师，也是大模型提示应用方面的专家。
最近他在使用 GPT-4o 时偶然发现，当提问：9. 11 and 9.9——which is bigger?
GPT-4o 竟毫不犹豫回答前者更大。
面对这一常识性“错误”，他不死心地又去问了其他大模型，结果几乎全军覆没。
好家伙，身为一名提示工程师，他敏锐意识到可能是“打开方式有误”。
于是他又换了个问法，将提问限定在“实数”，结果还是翻车了。
不过，有网友试着给提问换了个顺序，没想到这下 AI 竟反应过来了。
看到 AI 对词序如此“敏感”，该网友进一步推测：
先问哪个更大，AI 会沿着明确路径开始比较数字。但如果只是随便说说数字，没有明确目的，AI 可能会开始“胡思乱想”。
看到这里，其他网友也纷纷拿相同提示试了一把，结果翻车的不在少数。
面对这一个诡异的问题，国产大模型表现如何呢？
我们简单测试一番，问题也换成中文提问，结果翻车率也比较高，选取几个有代表性的展示：
Kimi也是不加解释就直接给出错误结论。
智谱清言 APP 上的 ChatGLM，自动触发了联网查询，然后描述了自己的比较方法，可惜却执行错了。
不过也有表现不错的，腾讯元宝先复述了一遍选项，然后直接做对。
字节豆包是少数能把比较方法描述清楚，而且用对的。甚至还联系实际举例来验证。
比较可惜的是文心一言，面对这个问题，也是触发了联网查询。
本来都已经做对了，但突然话锋一转又导向了错误结论。
不过从文心一言的思路解释上，也可以看出背后问题所在。
由于大模型以 token 的方式来理解文字，当 9.11 被拆成“9”、“小数点”和“11”三部分时，11 确实比 9 大。
由于 OpenAI 使用的 Tokenizer 开源，可以用来观察大模型是如何理解这个问题。
上图可以看出，9 和小数点分别被分配为“24”和“13”，小数点后的 9 同样也是“24”，而 11 被分配到“994”。
所以使用这种 tokenizer 方法的大模型会认为 9.11 更大，其实是认为 11 大于9。
也有网友指出，像是书籍目录里第 9.11 节也比第 9.9 节大，所以最终可能还是训练数据里见这种见得多了，而手把手教基础算数的数据很少。
也就是问题本身对人类来说，一看就知道问的是算数问题，但对 AI 来说是一个模糊的问题，并不清楚这两个数字代表什么。
只要向 AI 解释明白这是一个双精度浮点数，就可以做对了。
在有额外条件的情况下，tokenizer 这一步依然会给 11 分配更大的 token。但是在后续自注意力机制的作用下，AI 就会明白要把 9.11 连起来处理了。
后来 Goodside 也补充，并不是说大模型无论如何都认定了这个错误结论。而是当以特定方式提问时，许多领先模型都会告诉你 9.11>9.9，这很奇怪。
经过反复尝试后他发现，想让 AI 上这个当，需要把选项放在提问前面，如果调换顺序就不会出错。
但是只要选项在问题前面，改变提问的方式，如加标点、换词汇都不会有影响。
虽然问题很简单，错误很基础。
但了解出错原理之后，许多人都把这个问题当成了检验提示词技巧的试金石，也就是：用什么提问方法能引导大模型的注意力机制正确理解问题呢？
首先，大名鼎鼎的 Zero-shot CoT思维链，也就是“一步一步地想”，是可以做对的。
不过角色扮演提示，在这里作用就有限了。
刚好最近也有微软和 OpenAI 都参与的一项研究，分析了 1500 多份论文后发现，随着大模型技术的进步，角色扮演提示不像一开始那样有用了……
具体来说，同一个问题提示“你是一个天才……”比“你是一个傻瓜……”的正确率还低。
也是让人哭笑不得了。
One More Thing
与此同时，路透社的 OpenAI 秘密模型「草莓」泄漏消息更新了。
更新内容为：另一位线人报告，OpenAI 已经在内部测试了新模型，在 MATH 数据集上得分超过 90%。路透社无法确定这是否与“草莓”是同一个项目。
MATH 数据集包含竞赛级别的数学题，目前不用多次采样等额外方法，最高分是谷歌 Gemini 1.5 Pro 数学强化版的 80.6%。
但是 OpenAI 新模型在没有额外提示情况下，能不能自主解决“9.11 和 9.9 哪个大？”。
突然没信心了，还是等能试玩了再看结果吧……
