您的当前位置:首页>科技咨询>资讯详情

谷歌杀回来了!新版Gemini跑分超o1登顶第一,CE

发表于:2024-11-15 15:00:05 浏览:41次 发布者: 网易互联网

鲨疯了!谷歌新版Gemini超越o1,强势登顶竞技场总榜第一!

在经6000+网友匿名投票后,不仅数学成绩和学霸o1相当,还拿下其它5个单项第一。



新模型名为Gemini(Exp 1114),成绩一公布,连CEO皮猜也亲自飞奔来站台。



而竞技场官方也在第一时间公布喜讯,并祝贺谷歌:

恭喜达到这一非凡里程碑!



这下尴尬了!说好的谷歌正在遭遇瓶颈呢?没想到人家反手就是一个王炸。

怕了怕了,或许,只有OpenAI立即发布满血版o1才能与之一战了?



目前新模型可在谷歌AI Studio体验,官方后续也计划提供API。



网友们也纷纷猜测,难道这就是传说中的Gemini 2——

拿下7项第一,数学也和o1不分伯仲

一夜之间,竞技场Imsys排名再被刷新:

从总榜来看,谷歌新模型Gemini(Exp 1114)分数直涨40+,挤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遇敌,新Gemini貌似都有一半及以上概率取胜。

整体胜率热图显示,Gemini(Exp 1114)对战4o-latest胜率为50%,对战o1-preview胜率为56%,对战Claude-3.5-Sonnet胜率为62%。



同时,Gemini(Exp 1114)在单项上也很能打,一举拿下6个第一,包括:

  • 复杂提示(Hard Prompts):模型处理复杂或困难提示的能力;
  • 数学;
  • 创意写作;
  • 指令遵循:评估模型遵循给定指令的能力;
  • 长查询处理(Longer Query):衡量模型处理较长查询的能力;
  • 多轮对话(Multi-Turn):模型在多轮对话中保持上下文连贯性的能力;



要说最大看点,还是Gemini(Exp 1114)竟能与o1模型在数学能力上不分伯仲

要知道,据OpenAI官方说法,o1不需要专门训练,就能直接拿下数学奥赛金牌,甚至可以在博士级别的科学问答环节上超越人类专家。



不过比较遗憾的是,对于写代码这项重磅功能,Gemini(Exp 1114)虽说相较于谷歌上一版本有所改进,但仍然未能挤进前三。(o1-mini/preview仍处于领先地位)



另外,在风格控制下,Gemini-Exp-1114也和前三无缘,甚至不及自家的Gemini-1.5-pro。(排在o1、4o-latest和Sonnet之后)

解释一下,风格控制(Style Control)是竞技场今年新推出的功能,确保分数反映模型真正解决问题的能力,而不是用漂亮的格式、增加回答长度。



不过也有意外之喜,Gemini-Exp-1114这一次在视觉能力上拿下第一,超越了GPT-4o。



整体看下来,对于谷歌这次的反超,大家也感到十分意外。







目前,Gemini-Exp-1114已经可以在谷歌AI Studio体验,且官方计划后续提供API。





这不,有很多网友已经上手测试了,但好像争议蛮多——

网友反应不一

先总结一下,通过网友测试,目前可知Gemini-Exp-1114的以下信息:

  • 拥有32k上下文窗口
  • 模型回答知识截止日期为2023年4月,但回答结果会不一样
  • 加上了思维链

其中,32k上下文被大家狠狠吐槽。有人直言相比200万上下文窗口的Gemini 1.5,搁这儿不升反降呢!



兴许是感受到大家的怨怼了,谷歌AI Studio负责人赶紧出来打圆场:马上更!马上更!



安抚好众人情绪后,大家终于乐颠颠晒起了使用反馈。

透过其中一位小哥的观察,Gemini-Exp-1114这次也是用上了思维链,在回答时也能像人类一样一步步思考了。



而且,在数学能力上确实不错?

Gemini-Exp-1114正确回答了2024美国数学奥林匹克预选赛II 1-8题。



甚至相对弱项的编码,也有人第一次尝试就成功了。



然而,翻车总是难免的。

有人问了基准测试中的物理问题,结果Gemini-Exp-1114虽然有思维链加持,却仍然回答错误。



甚至老生常谈的数字比大小和数草莓中的“r”,竟还是失败。



更搞笑的是,有人问Gemini-Exp-1114“你叫什么?”

结果回答了claude(doge)。



实际上,大家一直在猜测Gemini-Exp-1114会不会是传说中谷歌计划更新的Gemini 2。





但根据实测,相当一部分网友出来表示否定

毕竟,它好像连旧版1.5 Pro会的问题也无法解决。



更有人声称,这是谷歌推迟发布更大模型(即Gemini 2)的策略,先弄一个残血版让大家玩玩,这样就别急着催更了。



结合CEO皮猜顺势放烟雾弹的做法,好像又有点道理(doge)!

猜你喜欢

快手要求员工每天刷1小时短视频?内部人士回应
快手要求员工每天刷1小时短视频?内部人士回应
发表于:2025-05-22 浏览:20 发布者: 网易互联网
讯飞星火落地六大车企!端侧大模型年内可用,打响规模落地战
讯飞星火落地六大车企!端侧大模型年内可用,打响规模落地战
发表于:2024-10-26 浏览:76 发布者: 网易新闻
京东外卖「崩」上热搜,超 20 分钟全免单;Open
京东外卖「崩」上热搜,超 20 分钟全免单;Open
发表于:2025-04-23 浏览:21 发布者: 网易互联网
618电商大促拉长至39天,“购物马拉松”如何跑
618电商大促拉长至39天,“购物马拉松”如何跑
发表于:2025-05-29 浏览:14 发布者: 网易互联网
华为杨超斌:5G-A释放移动AI无限潜能
华为杨超斌:5G-A释放移动AI无限潜能
发表于:2024-11-01 浏览:35 发布者: TechWeb
内推前任成了最时髦的恋爱运动
内推前任成了最时髦的恋爱运动
发表于:2025-07-26 浏览:0 发布者: 网易互联网
提前一个月悄然开打,平台还在乎618吗?
提前一个月悄然开打,平台还在乎618吗?
发表于:2025-05-14 浏览:16 发布者: 网易互联网
东风汽车发布天元智能品牌:构建一核双基双元智
东风汽车发布天元智能品牌:构建一核双基双元智
发表于:2025-04-24 浏览:23 发布者: 网易IT
五一奇幻科技之旅 亲子共探AI未来
五一奇幻科技之旅 亲子共探AI未来
发表于:2025-04-25 浏览:18 发布者: 网易科技
全面下线“零元购”!上海市监约谈饿了么等平台
全面下线“零元购”!上海市监约谈饿了么等平台
发表于:2025-07-23 浏览:1 发布者: 网易互联网