国家科技成果网官网揭秘如何在自然环境中挖掘GPT的隐藏实力

克雷西在凹非寺的笔下，量子位公众号QbitAI传递着科技的火花。GitHub上一个崭新的项目，能够让ChatGPT完成那些复杂而令人头疼的任务，而不仅仅是GPT3.5和GPT-4，它们都能感受到这个项目带来的力量。

它通过将问题分解成更小、更易于处理的部分，并调用外部资源来增强GPT的工作能力。这就像是在自然界中寻找隐藏在岩石缝隙中的珍宝，每一块都可能揭示出未知的事实。在调教之下，GPT-4回答的问题准确率从68%大幅提升到了85%，这是一项巨大的进步，就如同古人用智慧征服了天地一样。

我们甚至还测试了一个古老的问题——倒拔垂杨柳，这个问题似乎简单却又充满挑战性，我们给出了三个选项：诸葛亮、孙悟空和林黛玉。需要指出的是，由于目前没有获得到真正的GPT-4API，所以我们的测试只能依赖开发者的描述进行模拟。但即便如此，这也足以证明其潜力所在。

开发者使用了MMLU数据集，对比调教前后的GPT-4进行了严格的测试结果显示，未经调教前的版本只答对了68%，而经过调教后的版本则达到了85%。当然，这样的成绩还是要与真人专家平均成绩89.8%相比较才有意义。而数学方面，也选择15个大学难度的问题进行测试，即使准确率只有60%，但已经超过原版GPT40%的大幅提高。

作为SmartGPT用户，我们不需要做任何额外的事情，只需像平常一样输入我们的问题，而SmartGPT会帮助我们把问题拆分成可行的小任务，然后按照既定的步骤提交给高级的人工智能系统。在整个过程中，它会利用“let’s think step by step”这样的表述来提高回复精确度，同时也具有回溯能力，可以发现并纠正自己之前回答中的错误。

SmartGPT工作流程图清晰展示了这一过程：首先接收用户指令后进行处理拆分，并添加类似“let’s think step by step”的提示，然后将处理好的指令发送至API获取多次答案，再向API发送要求回溯答案并选择最优解最后，将最终答案展示给用户。这一切都是建立在学术论文三篇基础之上的链式提示方式、动态记忆及让LLM自我回溯以及用对话提高LLM完成度等概念上实现得更加完善。

与其他工具AutoGPT相比，Smartgpt优势体现在其逻辑链条化工作原理，使得推理能力得到显著提升。此外，由于独立子模块组合灵活，可以任意排列组合或删改配置，而且对于用户来说配置过程简洁明了，但同时也承认存在稳定性待考证，以及内存优化还有空间提升环境资源消耗方面也有待改进。不过，这只是刚起步阶段，不久前网友已经开始探讨其潜力超越预期甚至包括OpenAI公司本身的一些想法，那么你期待未来如何展现呢？

虽然当前还无法直接体验，但你可以根据项目页面提供信息，在Linux环境下搭建体验一下：

https://github.com/Cormanz/smartgpt

相关论文链接：

[1]. https://arxiv.org/abs/2305.02897

[2]. https://arxiv.org/abs/2303.11366

[3]. https://arxiv.org/abs/2303.17071

参考链接：

[1]. https://www.youtube.com/watch?v=wVzuvf9D9BU

[2]. https://www.reddit.com/r/singularity/comments/13axo1r/gpt_4_is_smarter_than_you_think_introducing/

— 完 —