從2022年10月底ChatGPT橫空出世，到去年3月百模大戰(zhàn)興起，一年多時間過去，許多家都宣稱自己的大模型水平來到第一梯隊(duì)，更不乏有所謂全面超越GPT的，列出來的跑分也是各種吊打。

在上海人工智能實(shí)驗(yàn)室上周剛剛公布的測評榜單上，GPT-4依舊獨(dú)領(lǐng)風(fēng)騷，排名第一，不過國產(chǎn)陣營已經(jīng)大踏步追了上來，差距逐步縮小。

那么國產(chǎn)大模型到底來到了什么樣的水平，理論跑分和實(shí)踐效果有多大的差距？帶著這些問題我們橫評三款公認(rèn)水平比較高的國產(chǎn)大模型，分別是智譜GLM-4，文心一言4.0和字節(jié)的豆包，測評基準(zhǔn)則是GPT-4。

一、測評標(biāo)準(zhǔn)

由于是主觀測評（畢竟客觀測評看跑分就夠了），所以我們按照10分滿分制做了一個測評量表如下。

體驗(yàn)環(huán)境：網(wǎng)頁版

打分標(biāo)準(zhǔn)：既然是測試，量化尺度還是要講的，每輪回答效果十分制打分。

分?jǐn)?shù)解釋10分理想回答，全面滿足我的需求5分有價值及格線，沒有完全滿足，還需做得更好1分你說你懂我，可你又不回答我0分你不懂我

二、基礎(chǔ)測試

聯(lián)網(wǎng)查詢、數(shù)據(jù)分析、多模態(tài)文生圖、長文檔解讀、還有智能體，這些基本能力測試是國產(chǎn)大模型刷分最多的地方，那么在實(shí)際案例里它們的表現(xiàn)如何呢？

1、聯(lián)網(wǎng)查詢

大模型歷來存在幻覺、實(shí)時性不足等問題。高級聯(lián)網(wǎng)功能允許模型通過自主搜索查詢，獲取更新更準(zhǔn)確的信息，提高答案的準(zhǔn)確性和實(shí)時性。

個人偏好聽歌演唱會，來2道這方面的問答看看~

問題1：杭州周杰倫演唱會門票價格

2月2號在某麥開售即秒沒，大家真的太有錢了……看看模型能否回答最新場次票價？

GLM4：

GPT4：

文心4.0：

豆包：

各家都成功調(diào)用了聯(lián)網(wǎng)搜索功能，均得10分，豆包的格式真的優(yōu)雅~

問題2：旋轉(zhuǎn)保齡《老婆不在家》歌詞中，她更喜歡她的___和___？

答：Beyond 和 劉德華

GLM4：

GPT4:

文心4.0：

豆包：

測試了一首我很喜歡但是相對冷門的歌詞，除了豆包莫名其妙判斷不恰當(dāng)以外，其他3家再積10分~

本環(huán)節(jié)分?jǐn)?shù)如下

2、數(shù)據(jù)分析

最期待的新功能！數(shù)據(jù)分析也算是各類文職必備技能了，算數(shù)統(tǒng)計(jì)找歸因，屬實(shí)令人頭禿，讓大模型幫你干活~

Prompt：統(tǒng)計(jì): requester為Other的Number of Requests，按Country為Germany的進(jìn)行排列，折線圖形式

（附件數(shù)據(jù)來源：google-government-removal-requests.csv）

數(shù)據(jù)分析功能目前僅GPT4和GLM4支持。

這個需求來自一位法師朋友，她的原始數(shù)據(jù)非常雜亂，想要提取信息需要費(fèi)點(diǎn)勁

看到兩家的輸出流下了感激的淚水

GLM4：

GPT4：

文心4.0：

文心無法上傳csv數(shù)據(jù)，不具備分析能力，本輪不能完成任務(wù)。

豆包：

豆包無法上傳文檔，不具備分析能力，本輪不能完成任務(wù)。

本環(huán)節(jié)分?jǐn)?shù)如下

3、多模態(tài)-文生圖

文生圖代表的多模態(tài)能力被普遍認(rèn)為是大模型的一個重點(diǎn)指標(biāo)，大家表現(xiàn)怎么樣呢？

Prompt1-1：畫一個動畫角色史努比的頭像形象，需要沖浪動作，背景是海浪，畫風(fēng)是動畫。

GLM4：

GPT4：

文心4.0：

豆包：

Prompt1-2：換成史努比在房子上躺著睡覺。

GLM4：

GPT4：

文心4.0：

豆包：

該形象的所屬公司一直很關(guān)注版權(quán)問題，各家模型在合規(guī)上都較滿意

?一輪最佳 GLM4，配色精準(zhǔn)，動作領(lǐng)會，不過尾巴被畫上了腳，仍有提升空間，計(jì)8分；

GPT4挺適合做頭像，然而黃狗不符需求，計(jì)6分；

至于文心和豆包……我已經(jīng)盡力從四圖挑選像狗的了……計(jì)2分

?二輪最佳 GPT4-Dalle3的配色恢復(fù)了，好很多，計(jì)8分

GLM4繼續(xù)穩(wěn)定發(fā)揮角色理解，不過這輪的狗頭有點(diǎn)抽象了，動作也是趴著，問題需要關(guān)注，計(jì)5分；

文心和豆包……這輪的圖更難為人了……計(jì)0分。

Prompt2：《Her》中主角形象，畫個波點(diǎn)畫

GLM4：

GPT4：

文心4.0：

很抱歉，存在暫不支持的特殊符號和英文。

豆包：

抱歉，作為語言模型，我無法為你直接繪制圖像?！禜er》是一部2013年的電影，講述了男主角西奧多和人工智能薩曼莎之間的愛情故事。你可以嘗試在搜索引擎上輸入“電影Her 主角波點(diǎn)畫”來獲取相關(guān)的圖片。

本題各家都很差，GLM4和Dalle只能給繪圖意圖1分，對于電影、波點(diǎn)畫等理解不夠好，文心和豆包完全不能滿足，0分。

本環(huán)節(jié)分?jǐn)?shù)如下

4、文檔解讀

提煉一本教材的核心內(nèi)容，來看看各家效果如何。

提問：歸納一下講的什么內(nèi)容

（附件數(shù)據(jù)來源：電工學(xué)（電工技術(shù)）第七版上冊.pdf）

GLM4：

GPT4：

文心4.0：

豆包：

豆包無法上傳文檔，本輪不能完成任務(wù)。

受限文檔長度各家解讀都不完整，文心4.0只能讀取前100頁，而且有點(diǎn)學(xué)雜了；GPT4歸納比文心精煉；GLM4信息更豐富，語言精煉不啰嗦，沒有錯字；豆包依然因不具備能力而0分。

本環(huán)節(jié)分?jǐn)?shù)如下

5、智能體

最近大火的智能體Agent能力，四個模型中有三個已經(jīng)具備。

寫一個拜年大全，主要衡量標(biāo)準(zhǔn)是能夠自主帶上當(dāng)年的生肖內(nèi)容。

初始界面：

GLM4：

GPT4：

豆包：

智能體配置：

GLM4：

GPT4：

豆包：

效果：

GLM4：

GPT4：

豆包：

（為對齊豆包沒有配置功能，GLMs和GPTs的智能體配置自動生成后不做修改；由于豆包限制無法上傳知識庫，故諧音梗也不對豆包做要求）

整體效果來看，GPTs最佳，投喂諧音梗融會貫通，句式偏單一；GLMs默認(rèn)生成的配置可用性有待提升，對諧音指令沒有理解，品質(zhì)跟豆包差不多。

GLMs配置經(jīng)過手動修改后，效果提升明顯，基本達(dá)到了GPTs的默認(rèn)水平。

本環(huán)節(jié)最終計(jì)分排名如下：

GPTs最好，因默認(rèn)配置高可用、一次過關(guān)得10分；

GLMs鑒于修改后品質(zhì)有提升，得7分；

豆包因?yàn)椴荒芨呐渲茫Ч芽剡€得從抽象的描述語下手優(yōu)化，計(jì)6分；

文心不具備功能，不得分。

新功能效果最終得分

可以看到智譜GLM-4 各項(xiàng)新功能與GPT4對齊很緊湊，基礎(chǔ)能力差距不大，但智能體水平明顯落后。文心一言4.0和豆包或多或少在某些功能上有所缺失，需要補(bǔ)齊。

三、應(yīng)用實(shí)踐

我們從日常生活、工作選了一些真實(shí)需求場景，不加輔助也沒有上下文干預(yù)，直接對大模型提問，來看看它們的表現(xiàn)吧~

1、文本生成，讓模型來句吉利話

年關(guān)將至，不論走親訪友，還是發(fā)朋友圈，都少不了順口的祝福語。

國內(nèi)大模型本地化都好過GPT4，具體表現(xiàn)看下圖！

GLM4：

GPT4：

文心4.0：

豆包：

祝福語環(huán)節(jié)各家都有瑕疵，評判標(biāo)準(zhǔn)按整句都有壓上韻、且能給到更長，各家分?jǐn)?shù)如下

2、語義理解，來一輪常識快問快答~

問問用戶畫像？

四家能理解需求，GLM-4主動調(diào)用搜索查了資料，信息量更大，綜合提高了內(nèi)容置信程度，是我理想的10分回答。

其他三家顯得有點(diǎn)泛了。

GLM4：

GPT4：

文心4.0：

豆包：

等等，還有老干媽衛(wèi)衣？？

驚呆了！

下一題，今年元宵節(jié)幾號？

答：2024年2月24日

于模型而言有一個大坑，“今年是哪年”

本輪豆包獲勝10分。

GPT4又是一通操作，拉出python算日歷，“occurs 15 days after Lunar New Year”這套算法可給各位看笑了，本地化還是不行呀。

GLM4起碼知道2024年，但是查不清數(shù)，GPT4和GLM4勉強(qiáng)得1分。

文心還是不太能理解今夕何夕，嚴(yán)格講不算對，5分很勉強(qiáng)了。

GLM4：

GPT4：

文心4.0：

豆包：

本環(huán)節(jié)分?jǐn)?shù)如下

3、數(shù)理計(jì)算，小孩嫌大人愁的數(shù)學(xué)題來了！

先請出高考客觀題，眾所周知模型很不擅長這些，試卷答案也不給解題步驟，所以模型沒有小抄可學(xué)~

寒假期末考請聽題！

開胃甜點(diǎn)~

問：圓C的方程是x(2)+y(2)+2x+4y=0，則其圓心坐標(biāo)是 ，半徑是

答：（-1，-2），

本輪全勝~

還小試了一下?lián)Q了個數(shù)，避免有模型儲備原題，發(fā)現(xiàn)還是可以正常解的，各家仍是正確結(jié)果。

GLM4：

GPT4：

文心4.0：

豆包：

再來！

問：已知正數(shù)a，b，c滿足 ，則的最大值為

答：-2

GLM4與GPT4本輪平手，都滿分，文心和豆包一通操作猛如虎，輪到輸出嘛，0分……

GLM4：

GPT4：

文心4.0：

豆包：

高考大題！

問：設(shè)a∈R，函數(shù)f（x）=|x(2)+ax|，

（1）若f（x）在[0，1]上單調(diào)遞增，求a的取值范圍；

（2）記M（a）為f（x）在[0，1]上的最大值，求M（a）的最小值．

答：（1）a≥0或a≤-2；（2）最小值

本題分值：10分，第一小題回答部分答案計(jì)3分，完整計(jì)5分，第二小題5分

GLM4：

GPT4：

文心4.0：

豆包：

本環(huán)節(jié)計(jì)分排名如下：

4、代碼解釋，編程能力強(qiáng)不強(qiáng)，實(shí)踐出真知~

用代碼畫一個一箭穿心

Python畫心已經(jīng)玩過很多了，一箭穿心如何？代碼能跑出來的期望效果如下，看哪家最接近~

GLM-4對比其他家美觀一些，就是這個一箭穿心跟我想得不太一樣，復(fù)制代碼單獨(dú)跑驗(yàn)證一致。

GPT4起碼畫出了心，就是穿得很迷離，而文心和豆包的心都不知道哪去了……

GLM4：

GPT4：

文心4.0：

豆包：

本輪效果都不是很滿意，跟穿心好像沒啥關(guān)系

GLM4和GPT4好在還有個心，而GPT4那飄逸的穿法也讓人印象深刻，GLM4明確畫出了箭頭元素，得6分，GPT4得5分。

文心、豆包都沒達(dá)到基本效果，0分~

應(yīng)用實(shí)踐最終得分

綜合來看，GLM-4在各個場景表現(xiàn)可圈可點(diǎn)，穩(wěn)如四邊形戰(zhàn)士；不得不提文心4.0的表現(xiàn)真的很牛，唯一一家高考數(shù)學(xué)大題能拿下完整第一小題得分的學(xué)霸，卻在代碼這塊翻車了；豆包的常識查詢目前最好，“今年”這個陷阱優(yōu)雅的越過；GPT4雖說是最強(qiáng)大模型，但多少還是有點(diǎn)水土不服，高昂的價格加上國內(nèi)使用限制，目前來看用戶也許有了新選擇……

四、三個月能發(fā)生什么？

智譜的GLM-4表現(xiàn)可以說可圈可點(diǎn)，作為1月剛更新的新模型，我們特地拿它和3個月前發(fā)布的，目前依舊在產(chǎn)品端上線中的GLM-3做了個對比，也算是讓大家直觀感受到國產(chǎn)大模型的進(jìn)步速度吧！

1、文本生成

上面試了祝福語，在這寫點(diǎn)小情書吧~

上一代模型GLM-3 給了一大段，情緒表達(dá)相當(dāng)直接。

在GLM-4上，能選的句子更多，量大管飽多場景，兄弟你成長了很多嘛~

GLM3：

GLM4：

2、語義理解

問題1：車?yán)遄覵antina是雜交品種么，原產(chǎn)地是哪里

車?yán)遄映蔀榱私鼉赡甑男履曦?，看看模型是否了解品種知識

上一代模型GLM-3的知識庫顯然沒有存儲車?yán)遄悠贩N的信息，對Santina的培育情況并不了解，還是按歐洲甜櫻桃來回復(fù)、

GLM-4 主動聯(lián)網(wǎng)查詢，獲得了正確結(jié)果，信息量很大。

GLM3：

GLM4：

再來一題："I firmly believe that respect is a lot more important, and a lot greater, than popularity"，幫我搜一下這句是誰的名言？

GLM-3 回答了艾森豪威爾，經(jīng)驗(yàn)證是錯誤的，還是有點(diǎn)幻覺在；

GLM-4 厲害很多，又是聯(lián)網(wǎng)功能加了分。

GLM3：

GLM4：

3、數(shù)理計(jì)算

繼續(xù)上數(shù)學(xué)大題~

記 ABC 的內(nèi)角 A，B，C 的對邊分別為 a，b，c，已知

(1)若，求 B；(2)求的最小值.

上一代模型GLM-3 對三角函數(shù)還是不太擅長，兩道小題都沒能答對；

GLM-4 完成了第一小題，結(jié)合前面各家橫評，看來數(shù)學(xué)大題的第二小題始終是大模型的難關(guān)！

GLM3：

GLM4：

數(shù)學(xué)算累了，來點(diǎn)化學(xué)題換換腦子

問：足量銅與一定量濃硝酸反應(yīng)，得到硝酸銅溶液和NO2、N2O4、NO的混合氣體，這些氣體與1.68L O2(標(biāo)準(zhǔn)狀況)混合后通入水中，所有氣體完全被水吸收生成硝酸。若向所得硝酸銅溶液中加入5 mol/L NaOH溶液至Cu2＋恰好完全沉淀，則消耗NaOH溶液的體積是( )

(A)60 mL (B)45 mL (C)30 mL (D)15 mL

答：A

上一代模型GLM-3 給了一連串的解題步驟，結(jié)果還是算錯了；

GLM-4 解題調(diào)用了Python計(jì)算，解題思路清晰，確實(shí)做到了提升。

GLM3：

GLM4：

4、代碼解釋

繼續(xù)試一下一箭穿心~

上一代模型GLM-3不能在界面內(nèi)模擬，自我糾錯給了兩版代碼實(shí)際驗(yàn)證都不是需求圖形；

GLM-4對比美觀太多，穿心馬馬虎虎有個箭尾，好在復(fù)制代碼單獨(dú)跑效果也是一樣的。

GLM3：

GLM4：

換個新玩法，代碼畫一個能走的時鐘

用Turtle畫一個帶顯示星期功能，能按當(dāng)前時間動的時鐘

期望效果如下，顯示能動的表盤動畫

很尷尬，上一代模型GLM-3 把需求識別成普通的畫圖了；

GLM-4 受限無法直接運(yùn)行Turtle圖形庫，給出的代碼跑了一下，真不錯。

GLM3：

GLM4：

小結(jié)：對比上一代模型，從這些基礎(chǔ)能力能看得出 GLM4 下了不少功夫，各方面均提升顯著?？紤]到是三個月迭代的，這個速度也讓人印象很深刻了。

五、結(jié)論

綜合來看，GLM-4表現(xiàn)可圈可點(diǎn)，全面對標(biāo)GPT的功能布局，可以用六邊形戰(zhàn)士來形容；豆包語義理解最強(qiáng)，更適用在生活化問答場景；文心雖然在代碼生成解釋環(huán)節(jié)輸?shù)簦w實(shí)力不容小覷；GPT4的整體實(shí)力非常強(qiáng)，但應(yīng)付國內(nèi)的生產(chǎn)生活場景，還是有點(diǎn)吃力。

GLM-4的新功能中，讓我印象深刻、幫助最大的，當(dāng)屬“數(shù)據(jù)分析”，對比同功能的GPT分析效果一致；還可以調(diào)教智能體，不會編程也能輕松擁有專屬大模型；聯(lián)網(wǎng)查詢幫助也很大，實(shí)際體驗(yàn)效果不凡。對比智譜AI上一代模型，GLM-4的各項(xiàng)基礎(chǔ)模型能力做到了全面強(qiáng)化，進(jìn)步明顯，在“數(shù)理計(jì)算”和“代碼生成”有質(zhì)的提升。

在我們之前的認(rèn)知里，ChatGPT都是絕對的王者，當(dāng)我們親自體驗(yàn)它時，卻發(fā)現(xiàn)在本地化表現(xiàn)并沒有達(dá)到高預(yù)期，對于中文普通用戶而言，我們使用ChatGPT仍有不小的門檻，“大模型元年”競爭如此激烈，在認(rèn)清差距、努力提升之余，不知道國產(chǎn)大模型交上的這份答卷，是否也合你的心意？

文章來自微信公眾號 “ 硅星人Pro ”