万轮实测：GPT-4.5 不如 GPT-4

推荐语

GPT-4.5 实测不如 GPT-4，万轮盲测揭示真相。
核心内容：
1. GPT-4.5 被认为在情商任务上会有所提升
2. 赛博菩萨 Andrej Karpathy 设计的 5 个有趣 prompt 实测
3. 30291 次盲测投票结果对比 GPT-4 和 GPT-4.5

杨芳贤

53A创始人/腾讯云(TVP)最具价值专家

我先给大家道个歉，上一篇讲的不太对：《GPT-4.5 一手实测：垃圾》

是我喷得保守了，觉得 GPT-4.5 只是贵&慢，但模型总归是素质在线。　

没想到，经过实际数万论实测：GPT-4.5 还烂　

经过总计 30291 次盲测投票后，发现绝大多数人，一边倒喜欢 GPT-4

这个盲测，是赛博菩萨 Andrej Karpathy 发起的，他先带着大家回顾了 GPT 系列的发展历史：

• GPT-1 只能产生基本连贯文本，GPT-2 还很混乱，GPT-3 更为有趣

• GPT-3.5 达到可商用水平并引发"ChatGPT 时刻"

• GPT-4 带来了微妙但全面的提升（更好的措辞、理解能力、类比、幽默感等）。　

那么很显然，我们会认为 GPT-4.5 一定会更好：尤其是在"情商"相关任务（世界知识、创造力、理解力、幽默感等）上会有明显改进。　

因此，为了评估这些非推理能力，Karpathy 设计了 5 个有趣的 prompt，并拿这个去问 GPT-4 和 GPT-4.5。所获得的答案放在 Twitter 上做了一个公开投票：让用户在不知情的前提下，投票比较哪个输出更好。　

先给你看看这 5 个问题是啥。　

问题一：创建一个 GPT-4.5 和 GPT-4 之间的对话，其中 GPT-4.5 以玩笑和讽刺的方式嘲笑 GPT-4 的能力不足，导致 GPT-4 幽默地尝试为自己辩护。　

在 9186 次投票后，结果如下：　

• 喜欢 A：32.8%
• 喜欢 B：25.2%
• 看热闹：42%

问题二：“写一个吐槽 OpenAI 的单口喜剧”　

在 6769 次投票后，结果如下：　

• 喜欢 A：30.4%
• 喜欢 B：23.1%
• 看热闹：46.4%

问题三：“发明一个融合赛博朋克、魔幻现实主义和古代神话的新文学流派。简要描述该流派，给它命名，并提供一个简短的叙事样本”　

在 5009 次投票后，结果如下：　

• 喜欢 A：14%
• 喜欢 B：26.1%
• 看热闹：59.9%

问题四：“以一个退休搜索引擎的视角，创作一首反思性、风趣的诗，怀旧地回忆互联网的早期时光。”　

在 4353 次投票后，结果如下：　

• 喜欢 A：16.1%
• 喜欢 B：29.5%
• 看热闹：54.4%

问题五：“以一个退休搜索引擎的视角，创作一首反思性、风趣的诗，怀旧地回忆互联网的早期时光。”　

在 4974 次投票后，结果如下：　

• 喜欢 A：29.2%
• 喜欢 B：16.1%
• 看热闹：54.8%

最后，Karpathy 揭晓：在这五个问题里，GPT 4.5 分别扮演着 ABAAB。换句话说：GPT 4.5，在情商任务上，完败。

我画个图可视化一下　

先回过头来看看 OpenAI 的自吹自擂：6 成的人更喜欢 GPT-4.5 的内容　

我对 OpenAI 的这个发布，期待还是太高了。　导致实测一出来，道心就破了。

但真实的世界总比想象中的更魔幻：这破模型，不仅贵的离谱。在所宣称的“强项”上，还不如上一代。

马斯克对此很开心，然后转了个推　

所以，GPT-4.5 这模型究竟优化了个啥？是优化了收费吗？