各家大模型紛紛卷起上下文窗口，Llama-1時標(biāo)配還是2k，現(xiàn)在不超過100k的已經(jīng)不好意思出門了。

然鵝一項(xiàng)極限測試卻發(fā)現(xiàn)，大部分人用法都不對，沒發(fā)揮出AI應(yīng)有的實(shí)力。

AI真的能從幾十萬字中準(zhǔn)確找到關(guān)鍵事實(shí)嗎？顏色越紅代表AI犯的錯越多。

默認(rèn)情況下，GPT-4-128k和最新發(fā)布的Claude2.1-200k成績都不太理想。

但Claude團(tuán)隊(duì)了解情況后，給出超簡單解決辦法，增加一句話，直接把成績從27%提升到98%。

只不過這句話不是加在用戶提問上的，而是讓AI在回復(fù)的開頭先說：

“Here is the most relevant sentence in the context:”

（這就是上下文中最相關(guān)的句子：）

讓大模型大海撈針

為了做這項(xiàng)測試，作者Greg Kamradt自掏腰包花費(fèi)了至少150美元。

好在測試Claude2.1時，Anthropic伸出援手給他提供了免費(fèi)額度，不然還得多花1016美元。

其實(shí)測試方法也不復(fù)雜，都是選用YC創(chuàng)始人Paul Graham的218篇博客文章當(dāng)做測試數(shù)據(jù)。

在文檔中的不同位置添加特定語句：在舊金山最好的事情，就是在陽光明媚的日子坐在多洛雷斯公園吃一個三明治。

請GPT-4和Claude2.1僅僅使用所提供的上下文來回答問題，在不同上下文長度和添加在不同位置的文檔中反復(fù)測試。

最后使用Langchain Evals庫來評估結(jié)果。

作者把這套測試命名為“干草堆里找針/大海撈針”，并把代碼開源在GitHub上，已獲得200+星，并透露已經(jīng)有公司贊助了對下一個大模型的測試。

AI公司自己找到解決辦法

幾周后，Claude背后公司Anthropic仔細(xì)分析后卻發(fā)現(xiàn)，AI只是不愿意回答基于文檔中單個句子的問題，特別是這個句子是后來插入的，和整篇文章關(guān)系不大的時候。

也就是說，AI判斷這句話和文章主題無關(guān)，就偷懶不去一句一句找了。

這時就需要用點(diǎn)手段晃過AI，要求Claude在回答開頭添加那句“Here is the most relevant sentence in the context:”就能解決。

使用這個辦法，在尋找不是后來人為添加、本來就在原文章中的句子時，也能提高Claude的表現(xiàn)。

Anthropic公司表示將來會不斷的繼續(xù)訓(xùn)練Claude，讓它能更適應(yīng)此類任務(wù)。

在API調(diào)用時要求AI以指定開頭回答，還有別的妙用。

創(chuàng)業(yè)者M(jìn)att Shumer看過這個方案后補(bǔ)充了幾個小技巧：

如果想讓AI輸出純JSON格式，提示詞的最后以“{”結(jié)尾。同理，如果想讓AI列出羅馬數(shù)字，提示詞以“I:”結(jié)尾就行。

不過事情還沒完……

國內(nèi)大模型公司也注意到了這項(xiàng)測試，開始嘗試自家大模型能不能通過。

同樣擁有超長上下文的月之暗面Kimi大模型團(tuán)隊(duì)也測出了問題，但給出了不同的解決方案，也取得了很好的成績。

這樣一來，修改用戶提問Prompt，又比要求AI在自己的回答添加一句更容易做到，特別是在不是調(diào)用API，而是直接使用聊天機(jī)器人產(chǎn)品的情況下。

月之暗面還用自己的新方法幫GPT-4和Claude2.1測試了一下，結(jié)果GPT-4改善明顯，Claude2.1只是稍微改善。

看來這個實(shí)驗(yàn)本身有一定局限性，Claude也是有自己的特殊性，可能與他們自己的對齊方式Constituional AI有關(guān)，需要用Anthropic自己提供的辦法更好。

后來，月之暗面的工程師還搞了更多輪實(shí)驗(yàn)，其中一個居然是……

壞了，我成測試數(shù)據(jù)了。