谷歌殺回來了！新版Gemini跑分超o1登頂第一，CEO：這才哪到哪兒
鯊瘋了！谷歌新版Gemini超越o1，強勢登頂競技場總榜第一！
在經6000+網友匿名投票后，不僅數學成績和學霸o1相當，還拿下其它5個單項第一。
新模型名為Gemini（Exp 1114），成績一公布，連CEO皮猜也親自飛奔來站臺。
而競技場官方也在第一時間公布喜訊，并祝賀谷歌：
恭喜達到這一非凡里程碑！
這下尷尬了！說好的谷歌正在遭遇瓶頸呢？沒想到人家反手就是一個王炸。
怕了怕了，或許，只有OpenAI立即發布滿血版o1才能與之一戰了？
目前新模型可在谷歌AI Studio體驗，官方后續也計劃提供API。
網友們也紛紛猜測，難道這就是傳說中的Gemini 2——
拿下7項第一，數學也和o1不分伯仲
一夜之間，競技場Imsys排名再被刷新：
從總榜來看，谷歌新模型Gemini（Exp 1114）分數直漲40+，擠下了之前一直霸榜的OpenAI模型（包括o1-preview、GPT-4o）。
而且假如正面1v1遇敵，新Gemini貌似都有一半及以上概率取勝。
整體勝率熱圖顯示，Gemini（Exp 1114）對戰4o-latest勝率為50%，對戰o1-preview勝率為56%，對戰Claude-3.5-Sonnet勝率為62%。
同時，Gemini（Exp 1114）在單項上也很能打，一舉拿下6個第一，包括：
- 復雜提示（Hard Prompts）：模型處理復雜或困難提示的能力；
- 數學；
- 創意寫作；
- 指令遵循：評估模型遵循給定指令的能力；
- 長查詢處理（Longer Query）：衡量模型處理較長查詢的能力；
- 多輪對話（Multi-Turn）：模型在多輪對話中保持上下文連貫性的能力；
要說最大看點，還是Gemini（Exp 1114）竟能與o1模型在數學能力上不分伯仲。
要知道，據OpenAI官方說法，o1不需要專門訓練，就能直接拿下數學奧賽金牌，甚至可以在博士級別的科學問答環節上超越人類專家。
不過比較遺憾的是，對于寫代碼這項重磅功能，Gemini（Exp 1114）雖說相較于谷歌上一版本有所改進，但仍然未能擠進前三。（o1-mini/preview仍處于領先地位）
另外，在風格控制下，Gemini-Exp-1114也和前三無緣，甚至不及自家的Gemini-1.5-pro。（排在o1、4o-latest和Sonnet之后）
解釋一下，風格控制（Style Control）是競技場今年新推出的功能，確保分數反映模型真正解決問題的能力，而不是用漂亮的格式、增加回答長度。
不過也有意外之喜，Gemini-Exp-1114這一次在視覺能力上拿下第一，超越了GPT-4o。
整體看下來，對于谷歌這次的反超，大家也感到十分意外。
目前，Gemini-Exp-1114已經可以在谷歌AI Studio體驗，且官方計劃后續提供API。
這不，有很多網友已經上手測試了，但好像爭議蠻多——
網友反應不一
先總結一下，通過網友測試，目前可知Gemini-Exp-1114的以下信息：
- 擁有32k上下文窗口
- 模型回答知識截止日期為2023年4月，但回答結果會不一樣
- 加上了思維鏈
其中，32k上下文被大家狠狠吐槽。有人直言相比200萬上下文窗口的Gemini 1.5，擱這兒不升反降呢！
興許是感受到大家的怨懟了，谷歌AI Studio負責人趕緊出來打圓場：馬上更！馬上更！
安撫好眾人情緒后，大家終于樂顛顛曬起了使用反饋。
透過其中一位小哥的觀察，Gemini-Exp-1114這次也是用上了思維鏈，在回答時也能像人類一樣一步步思考了。
而且，在數學能力上確實不錯？
Gemini-Exp-1114正確回答了2024美國數學奧林匹克預選賽II 1-8題。
甚至相對弱項的編碼，也有人第一次嘗試就成功了。
然而，翻車總是難免的。
有人問了基準測試中的物理問題，結果Gemini-Exp-1114雖然有思維鏈加持，卻仍然回答錯誤。
甚至老生常談的數字比大小和數草莓中的“r”，竟還是失敗。
更搞笑的是，有人問Gemini-Exp-1114“你叫什么？”
結果回答了claude（doge）。
實際上，大家一直在猜測Gemini-Exp-1114會不會是傳說中谷歌計劃更新的Gemini 2。
但根據實測，相當一部分網友出來表示否定。
畢竟，它好像連舊版1.5 Pro會的問題也無法解決。
更有人聲稱，這是谷歌推遲發布更大模型（即Gemini 2）的策略，先弄一個殘血版讓大家玩玩，這樣就別急著催更了。
結合CEO皮猜順勢放煙霧彈的做法，好像又有點道理（doge）！
AI Studio體驗地址：https://aistudio.google.com/prompts/new_chat
競技場完整榜單：https://lmarena.ai/?leaderboard
