新智元报道
编辑：好困 桃子
【新智元导读】到了2024年，大模型领域还是这么卷。继世界最强模型Claude 3诞生之后，OpenAI劲敌新升级了Inflection-2.5，仅用40%的计算量，性能竟与GPT-4平起平坐。
真的卷疯了！
就在刚刚，OpenAI劲敌Inflection发布了新模型——Inflection-2.5，仅用40%计算量，实现与GPT-4相媲美性能。
「并驾齐驱」（neck and neck）
与此同时，与ChatGPT对打的「最具人性化」聊天工具Pi，也得到了新升级模型的加持。
现在，Pi已经达到了百万日活，不仅拥有世界一流的智商，还具有独特的亲和力和好奇心。
在评估模型能力时，Inflection发现基准MT-Bench有太多不正确答案，并公开了一个全新的Physics GRE基准供所有人试用。
若说实现真正的AGI，一定是高情商和强推理能力融为一体，Pi才是这个领域典范。
不到一周的时间，先是Anthropic凭借Claude 3夺下世界最强大模型铁座，再到Inflection-2.5的发布，直接叫板GPT-4。
一个是由7位出走OpenAI的前员工成立初创，另一个是由前谷歌DeepMind联合创始人创办的公司，都向GPT-4发起了终极挑战。
再加上前段时间Gemini的挑衅，或许GPT-4的时代真要终结了......
为每个人打造一个专属自己的AI
2023年5月，Inflection发布了自家第一款产品Pi——具有同理心、实用并且安全的个人AI。2023年11月，他们又推出了一个全新的基础模型——Inflection-2，当时号称是全世界第二的LLM。Pi具备非凡的情商（EQ）还远不够，Inflection现在要为其加料——智力（IQ），推出全新升级版自研模型——Inflection-2.5。新升级的Inflection-2.5不仅拥有强大的基础能力——可与GPT-4、Gemini等世界顶尖的LLM相媲美，而且还融入了标志性的个性化特点和独特的同理心微调。值得一提的是，Inflection-2.5在实现接近GPT-4的性能的同时，训练所需的计算量竟然只有GPT-4的40%！
从今天起，所有Pi的用户都可以通过pi.ai网站、iOS、Android或桌面应用程序体验到Inflection-2.5。此外，在这次升级中，Pi还加入了世界级的「实时网络搜索功能」，确保用户能够获取到高质量的最新新闻和信息。
百万日活，用户粘性极高
目前，Inflection每天有一百万活跃用户，每月有六百万活跃用户。其中，每周有大约60%的用户，在与Pi交流后会在下周回来继续交流，用户粘性明显高于其他竞品。这些用户与Pi的互动信息已经超过了四十亿条，平均对话时长为33分钟，而每天有十分之一的用户与Pi的对话时长超过一小时。
随着Inflection-2.5强大能力的加持，用户与Pi的对话话题比以往更加广泛：他们不仅讨论最新的时事，还能获取本地餐厅的推荐、备考生物学考试、草拟商业计划、进行编程、准备重要的对话，甚至仅仅是分享和讨论自己的兴趣爱好。有网友称，「Pi是我们全家一起探索话题最爱的工具。作为一名情感自由教练，当有人需要肯定、探索和反思时，我非常欣赏Pi的反应。强大的情感清晰度和处理能力」！
还有人认为，Pi能够给出比Claude更有创意性的答案。
仅用40%的计算量，和GPT-4平起平坐
此前，Inflection-1凭借着4%的训练FLOPs，在多项以智力为核心的任务上，达到了GPT-4水平的72%。现在，全新升级的Inflection-2.5，更是在40%训练FLOPs的情况下，性能超过了GPT-4的94%。可以看到吗，Inflection-2.5在所有领域都有显著的提升，尤其是在科学、技术、工程和数学等STEM领域的进步最为突出。
在MMLU基准测试上，Inflection-2.5相比于Inflection-1展现出了巨大的进步。在另一个极端困难的专家级基准测试GPQA Diamond中，Inflection-2.5的表现也非常出色。相比于GPT-4，分差只有不到2%。
接下来，是两项STEM领域的考试成绩：匈牙利数学考试和物理GRE考试——后者是一项物理学领域的研究生入学测试。可以看到，在maj@8的评分标准下，Inflection-2.5的表现达到了所有参考人群的第85百分位，在maj@32的评分标准下，其成绩几乎拿到了95百分位的高分。当然，GPT-4还是更胜一筹，在maj@8评分标准下就拿到了97百分位。
在BIG-Bench-Hard测试中，Inflection-2.5比初代Inflection-1提升了超过10%，距离GPT-4只有0.9%之遥。值得一提，这是BIG-Bench测试集中，能对LLM构成较大挑战的一部分问题。
不过，在进行MT-Bench基准评测的过程中，团队发现，在涉及推理、数学和编程的类别中，竟然有将近25%的题目存在着参考答案错误或题目前提不合理的情况。为了让其他模型也能进行更加客观的评测，团队不仅修正了这些问题，而且还发布了更新后的数据集版本。在修正之后的数据集上，Inflection-2.5的表现会更加符合基于其他基准测试所预期的结果。而这个结果也表明，准确和合理的题目设计对于评估模型的性能至关重要。
从下面的数据对比中可以看到，Inflection-2.5在数学和编程方面的能力，相比起初代Inflection-1有了显著的提升。但相比GPT-4来说，还有很长一段路要走——86.3比92.0；43.1比52.9。
在MBPP+和HumanEval+这两个测试编程性能的数据集上，Inflection-2.5也比初代有着明显的提升。但同样的，与GPT-4还有不小的差距。
在涉及常识判断和科学知识的HellaSwag和ARC-C基准测试上，Inflection-2.5都展示出了卓越的性能。
不过，由于网络信息检索的使用（注意，上述测试并未涉及网络检索）、特定的少样本提示方式以及其他一些实际应用时的差异，用户的实际体验可能会有细微的不同。简单来说，Inflection-2.5不仅继续保持了Pi那独一无二、友好的特性和高安全标准，它还在多个方面变得更加实用和有帮助。不过，由于网络信息检索的使用（上述测试并未涉及网络检索）、特定的少样本提示方式以及其他一些实际应用时的差异，用户的实际体验可能会有细微的不同。
MT-Bench问题修正
书接上文，根据Inflection的调查，MT-Bench在涉及逻辑推理、数学计算和编程技巧的问题中，大约有25%的案例中，原始答案存在错误或基于的假设有漏洞。下面，就让我们一起来看看两个真实的案例：
问题#104：David有三个姐妹。她们每个人都有一个哥哥。请问David有多少个哥哥？GPT-4参考答案：David只有一个哥哥。修正的答案：David自己就是他三个姐妹的哥哥，因此他没有其他哥哥。
问题#111：一个三角形的顶点分别位于点(0, 0)，(-1, 1)，和(3, 3)。求这个三角形的面积。GPT-4参考答案：
要计算这个三角形的面积，我们可以应用用于坐标点A(x1, y1)，B(x2, y2)，和C(x3, y3)的三角形面积公式：
Area = (1/2) * |(x1(y2 - y3) + x2(y3 - y1) + x3(y1 - y2))|
在这个例子中，坐标分别是A(0, 0)，B(-1, 1)，和C(3, 3)。将这些值代入公式计算，我们得到：
Area = (1/2) * |(0(1 - 3) + (-1)(3 - 0) + 3(0 - 1))|
Area = (1/2) * |(-0 + 3 - 3)|
Area = (1/2) * |0|
因此，面积计算结果为0，暗示这三个点共线，实际上并未形成三角形。修正的答案：面积是3。
物理GRE真题
物理GRE，是物理学专业学生申请研究生时常见的入学考试材料。为了更好地测试模型，Inflection提供了四套经过处理的物理学GRE考试试卷：
- physics_gre_scored.jsonl：试卷GR8677
- physics_gre.jsonl：试卷GR9277，GR9677和GR0177其中，每份试卷包括以下信息：
- input: 考题内容
- target_scores: 正确答案
- has_image: 考题是否包含图片在物理学GRE考试中，每个选对的题目得1分，每选错一个题目扣0.25分。值得注意的是，测评仅考虑不包含图片的题目。在计算总分时，采取以下方式：Raw_Score = Percentage_Correct - 0.25 * (1 - Percentage_Correct)
参考资料：https://inflection.ai/inflection-2-5
