OpenAI 开源的数学数据集，中国厂商新成绩一举冲到最前列！
就在 9 月 16 日，国产大模型在权威推理评测集 GSM8K 中，首次达到了 80% 正确率，大幅领先 GPT-3.5（57.1%）和 LLaMA2-70B（56.8%）。
而且这家厂商在大模型榜单上刷新全球纪录，已经不是第一次了。
它背后的公司在风起云涌的大模型技术江湖中，也频频被提及，越来越受关注。
不卖关子，它正是天工大模型，由昆仑万维打造。
怎么做到的？具体来看。
大模型推理能力 Benchmark 跻身前列
天工大模型这次一战成名的，是大模型数学推理能力评测基准，GSM8K。
GSM8K 由 OpenAI 发布，是一个涵盖 8500 个小学水平高质量数学题的数据集，设计原则有四：
高质量、高多样性、中等难度和自然语言解决方案。
所以这家伙现在一般被用做测试各家大模型推理能力的 Benchmark。
上个月，微软和中国科学院联合发布了一项关于 WizardMath 的研究结果，主要在 GSM8K 和另一个常见数学基准上测试了市面上主流开闭源大模型的性能。
闭源模型上，拿下最高分的是 GPT-4，正确率 92%；GPT-3.5 的正确率为 57.1%。
开源模型这边，不同参数规模的 LLaMA-2 最高正确率 56.8%，最高分则被微软的 WizardMath-70B 拿走，正确率 81.6%。
那么，天工大模型的成绩怎么样？
正确率 80%。
这个成绩，比目前最强数学垂域开源模型的 WizardMath-70B 低了 1.6%，与 ChatGPT、540B 参数的 PaLM-2 几乎持平。
并且大幅超过 GPT-3.5 和各个规模的 LLaMA2。
同时在小米公开的中文数学测试集 Cmath 上，天工大模型平均准确率为 76.8%（ChatGPT 74.8%）。
为了做个验证，按照惯例，天工大模型和 GPT-3.5 面临了来自 GSM8K 测试集的英文同题考验。
Round one
问：每天，Wendi 给每只鸡喂三杯混合鸡饲料，其中包括种子、黄粉虫和蔬菜，以帮助它们保持健康。她分三餐给鸡喂食。上午，她给鸡群喂 15 杯饲料。下午，她再给鸡喂 25 杯饲料。
如果 Wendi 有 20 只鸡，那么一天的最后一餐，她需要给鸡喂多少杯饲料？
天工大模型答，一天的最后一餐中要喂 20 杯饲料，才能确保鸡崽子们一天都吃饱。
GPT-3.5 答，Wendi 需要在一天的最后一餐中给鸡崽子们喂 21 杯饲料。
OK，这一局，GPT-3.5 输了。
Round two
问：道费尔姐妹带着从动物收容所领养的 7 只小猫开车回家时，妈妈打来电话，告诉她们家里的两只猫刚生了小猫。妈妈说，Patchy 猫猫生了三倍于被领养数量的小猫，而另一只 Trixie 猫猫生了 12 只。
现在道费尔一家一共有多少只小猫？
天工大模型答，当然是有 40 只小猫啦～
GPT-3.5 答，道费尔一家现在共有 33 只小猫。
看来第二局还是天工大模型赢了。
Round 3
问：巨龙高坐在法尔博山上，向 1000 英尺范围内的任何东西疯狂喷火。波莉可以将压制巨龙的武器投掷 400 英里，但当她拿着蓝宝石时，能比不拿宝石时把标枪扔得远三倍。
如果拿着宝石，波莉能站在龙焰射程之外多远的地方，用金标枪击中龙？
天工大模型给出的解题思路如下，并且生成答案为 200 英尺。
GPT-3.5 给出的解题思路也摆在这，最后答案也是 200 英尺。
这次二位打成了平局。
但是可以看到，相比 GPT-3.5，天工大模型的解题思路更简单直接，解题步骤也更少更短。
一般来说，目前主流大模型们最近不太流行公开评测结果，但昆仑万维放话了：
虽然现在还是内测阶段，但天工大模型这次不仅对外公布了评测结果，还宣布后续会部署上线基座，供用户体验。
更重要的是，天工大模型允许研究人员、开发者申请 API，对上述结果进行验证。
PS 申请方法：
提供 “姓名”“手机号”“所属机构 / 单位”，发送至官方邮箱 neice@kunlun-inc.com 进行申请。
若通过，三个工作日内将收到回复邮件，内含测试 API 及相关信息。
（截止时间为 9 月 27 日 0 点）
多个榜单跻身前列
除了 GSM8K，另一个推理评测基准 HumanEval，以及两个通识评测基准 MMUL、C-Eval 上，天工大模型也有出色表现。
△根据公开测试数据搜集整理
HumanEval 同样出自 OpenAI，是 OpenAI 为了评估 Codex 模型的有效性而创建的数据集。
通过这个数据集，研究人员可以对 Codex 模型进行评估，并了解其在代码生成方面的准确性和效果。
在这个数据集上，天工大模型成绩是 37.2%。
MMLU 是 UC 伯克利等打造，集合了科学、工程、数学、人文、社会科学等领域的 57 个科目。
其主要目标，是对模型的英文跨学科专业能力进行深入测试。天工大模型的成绩是 65%。
C-EVAL 评测基准由上海交大、清华以及爱丁堡大学联合创建，是一个面向中文语言模型的综合考试评测集，覆盖了 52 个来自不同行业领域的学科。
天工大模型的得分为 65，超过了 GPT-3.5 的 54.4 的成绩。
成绩亮眼的天工大模型，发布在今年 4 月。
其 AI 生成能力可满足文案创作、知识问答、代码编程、逻辑推演、数理推算等多元化需求。
4 月发布，9 月能取得酱紫的成绩，昆仑万维是怎么饲养天工大模型这匹黑马的？
先拿模型实力来说话。
这是一个双千亿大模型（指天工拥有千亿预训练基座模型和千亿 RLHF 模型。），目前版本最高支持 1 万字以上文本对话，实现 20 轮次以上用户交互。
二者的 “强强联手” 之下，天工大模型的优势便凸显了出来。
而模型层之外，为大模型积攒实力的无外乎算法、算力、数据三大件。
算法层方面，天工大模型也有自己的秘籍。
通常来说，市面上大模型们普遍采用 Transformer 架构。在此基础上，天工团队首次引入了蒙特卡洛搜索树算法（AlphaGo 背后也是这算法）。
再说天工大模型背后的算力，基于中国最大的 GPU 集群之一。
强劲算力鼎力支持的，是天文数字版的数据量——按照借助 “开源力量” 的策略，天工从数十万亿的数据中，最终清洗、筛选出了近 3 万亿单词的数据。
现在，天工大模型在推理、通识多个榜单开花，可以想见因为背后算力、算法、数据扎实储备，天工大模型拥有的已经不是模型规模优势，技术创新和推理性能方面，也有了新突破。
国产大模型绕不过的狠角色
其实，推理能力大幅超过 GPT-3.5 和 LLaMA2，已经不是昆仑万维携天工大模型第一次拿成绩炸场。
不久之前，天工大模型多模态团队的 Skywork-MM 用了大约 50M 的图文数据，以远小于其他大模型的数据量（>100M），登顶了多模态榜单。
△MME 感知榜第一，认知榜第二，总榜第一
昆仑万维另一则引得众人瞩目的新闻，是 AI 大牛颜水成的加入。
他出任天工智能联席 CEO、2050 全球研究院院长，将在新加坡、伦敦、硅谷三地建立 2050 全球研究院的研究中心，并逐步开展几个领域的研究：
-
下一代 Foundation Model 的基础研究和研发；
-
Agent 的研发和智能体进化的研究；
-
生物智能等前沿技术领域的探索。
颜水成道出加盟昆仑万维的原因：
在通用人工智能领域，从研究、研发到产品是完整的链条，缺一不可，只有将三者完全打通，研究才能发挥最大价值。
在国内，能将研究、研发、产品三线合一的平台少之又少，昆仑万维布局了 AI 大模型、AI 动漫、AI 社交、AI 游戏、AI 搜索和 AI 音乐六大方向，同时昆仑万维的核心业务面向全球市场，其能力矩阵和生态系统非常具有想象空间。
大模型潮流，浩浩荡荡。
今年以来国产大模型的发展势头迅猛，吸引越来越多的人才加入其中，由此助力各家大模型不断地迭代升级，涌现出更强大的能力，适配更广泛的应用场景。
昆仑万维在大模型的变革中，战略重视，动作频频，而且也有业务场景。
可以不夸张地说一句，昆仑万维和它家的天工大模型，已经是大模型江湖中，一个绕不过去的狠角色了。
— 完 —
