要約
GPT-3.5 と GPT-4 は、最も広く使用されている 2 つの大規模言語モデル (LLM) サービスです。
ただし、これらのモデルが時間の経過とともにいつどのように更新されるかは不透明です。
ここでは、GPT-3.5 と GPT-4 の 2023 年 3 月と 2023 年 6 月のバージョンを、1) 数学の問題を解く、2) デリケートな/危険な質問に答える、3) コードを生成する、4) 視覚的な推論という 4 つの多様なタスクに関して評価します。
GPT-3.5 と GPT-4 の両方のパフォーマンスと動作は、時間の経過とともに大きく変化する可能性があることがわかりました。
たとえば、GPT-4 (2023 年 3 月) は素数の識別に非常に優れていました (精度 97.6%) が、GPT-4 (2023 年 6 月) はこれらの同じ質問では非常に不十分でした (精度 2.4%)。
興味深いことに、このタスクでは GPT-3.5 (2023 年 6 月) の方が GPT-3.5 (2023 年 3 月) よりもはるかに優れていました。
GPT-4 は、3 月よりも 6 月のほうが機密性の高い質問に答える意欲が低く、GPT-4 と GPT-3.5 の両方で、6 月のコード生成の書式設定ミスが 3 月よりも多かったです。
全体として、私たちの調査結果は、同じ LLM サービスの動作が比較的短期間で大幅に変化する可能性があることを示しており、LLM 品質を継続的に監視する必要性を強調しています。
要約(オリジナル)
GPT-3.5 and GPT-4 are the two most widely used large language model (LLM) services. However, when and how these models are updated over time is opaque. Here, we evaluate the March 2023 and June 2023 versions of GPT-3.5 and GPT-4 on four diverse tasks: 1) solving math problems, 2) answering sensitive/dangerous questions, 3) generating code and 4) visual reasoning. We find that the performance and behavior of both GPT-3.5 and GPT-4 can vary greatly over time. For example, GPT-4 (March 2023) was very good at identifying prime numbers (accuracy 97.6%) but GPT-4 (June 2023) was very poor on these same questions (accuracy 2.4%). Interestingly GPT-3.5 (June 2023) was much better than GPT-3.5 (March 2023) in this task. GPT-4 was less willing to answer sensitive questions in June than in March, and both GPT-4 and GPT-3.5 had more formatting mistakes in code generation in June than in March. Overall, our findings shows that the behavior of the same LLM service can change substantially in a relatively short amount of time, highlighting the need for continuous monitoring of LLM quality.
arxiv情報
| 著者 | Lingjiao Chen,Matei Zaharia,James Zou |
| 発行日 | 2023-07-18 06:56:08+00:00 |
| arxivサイト | arxiv_id(pdf) |
提供元, 利用サービス
arxiv.jp, Google