大模型集体失智！9.11比9.9大？全员翻车！

部分转自：量子位

前段时间，阿里巴巴数学竞赛中姜萍的事件闹得沸沸扬扬，很多人也让AI尝试挑战这些竞赛题，虽然表现还是不够看，但也能看出来，AI 对于数据库里已有的题目，还是发挥不错的。

不过，近日有人发现，各大 AI 大模型居然在小学生都会的简单数学常识中接连翻车。

这个问题就是，9.11 和 9.9 谁大？

对于人们心目中的天花板 GPT-4 和 GPT-4o，回答丝毫不拖泥带水：

9.11居然比9.9大！我们再看看 Gemini Advanced 的回答：

好的，又是斩钉截铁的给出了一个错误答案。再看到，Claude 3.5 Sonnet 并不像前两位那样直接给出了错误答案，而是开始分析：

分析了一通，拆开还是对的，怎么到了答案，又拉垮了...

经过测试，各大国产大模型也没有幸免于难。

Kimi:

ChatGLM:

通义：

元宝：

豆包：

不过令人意外的是，免费版本的百度文心 3.5，居然保持了清醒，一边分析一边破题，解释和答案完全正确。

不过看网上消息，它之前也是错的，等我试的时候已经是正确的了。如果是这样，那这解 case 的速度，是真快啊。

这个问题是由 Riley Goodside 发现的，有史以来第一个全职提示词工程师。目前在硅谷独角兽Scale AI 工作。

这样一个常识问题，为什么到了 AI 手上就变得如此难缠？

网友给出了解释：AI 都是工程师开发的，对于版本号来说，9.11 确实比 9.9 更大；对于书本的目录来说，9.11 也确实排在 9.9 后面。

在大量的训练集中，常识的输入可能确实不如这些样本多，导致了 AI 把版本号、书籍目录的理解方式代入了常识。

而众所周知，大模型使用 token 的方式理解文字。OpenAI 使用开源的 Tokenizer ，可以用来观察大模型是如何理解这个问题的。

可以看出，9 和小数点分别被分配为“24”和“13”，小数点后的 9 同样也是“24”，而 11 被分配到“994”。

这样问题就很清晰了，模型先比较了 9，发现大小相同，然后比较小数点后面的部分，发现 11 比 9 大，就给出了 9.11 更大的结论。

知道了问题所在，只要向 AI 解释这是一个“双精度浮点数”，它们就能很明确地解决问题了。

只要有了额外条件，AI 似乎就能正确判断这两个数的大小。而 Goodside 在反复试验后说到，想让 AI 上这个当，需要把选项放在提问前面，如果调换顺序，就不会出错。

这个问题让人不禁联想到前些年网上热传的 0.8 x 0.5 等于几，现在轮到 AI 开始反常识了。

AI 大模型发展的道路，至少在数学方面，依旧是任重而道远啊。

·················END·················