我們用最近很火的DeepSeek挑戰(zhàn)了物理所出的競賽題，結(jié)果... | 內(nèi)附答案
近日，我國“深度求索”公司發(fā)布的具備深度思考和推理能力的開源大模型DeepSeek-R1受到了全世界的關(guān)注。在DeepSeek-R1之前，美國OpenAI公司的GPT-o1，Athropic公司的Claude，Google公司的Gemini，都號稱具備了深度思考和推理能力。這些模型在專業(yè)人士和吃瓜網(wǎng)友的五花八門的測試中，表現(xiàn)的確是驚才絕艷。特別引起我們興趣的，是Google的專用模型AlphaGeometry在公認高難度的國際奧林匹克數(shù)學(xué)競賽中取得了28/42的成績，獲得銀牌。學(xué)生時代我們也接觸過奧數(shù)，深知能在此類國際奧賽中獲銀牌的選手，無一不是從小就體現(xiàn)出相當(dāng)數(shù)學(xué)天賦，且一路努力訓(xùn)練的高手。能夠達到這個水平的AI，稱其為具備了強大的思考能力并不過分。自打那之后，我們就一直好奇，這些強大的AI，它們的物理水平又如何？是不是以后就不用招研究生和博士后了？1月17日，中科院物理所在江蘇省溧陽市舉辦了“天目杯”理論物理競賽。我們命題組完成了這份試卷的出題工作。七道題除一道外，都不是從現(xiàn)成的題庫或考題中改編節(jié)選的，我們?nèi)齻€對這套試卷比較滿意，覺得它既不像傳統(tǒng)考試題一樣盯著個別知識點考，也不像高中競賽題一樣需要很多技巧和熟練度，而更像實際科研中碰到的具體技術(shù)問題。競賽前的某天，我們和幾個朋友一起吃飯，其中一位AI的重度用戶知道了我們出了這份題，就問有沒有測試過AI的表現(xiàn)？我們覺得這個建議很有意思，于是決定在競賽后，測試幾個有代表性的大模型。所謂來得早不如來得巧。1月20日，當(dāng)我們剛結(jié)束競賽回到北京，正趕上DeepSeek-R1發(fā)布引爆了AI圈，它自然成了我們測試的首選模型。此外我們測試的模型還包括：OpenAI發(fā)布的GPT-o1，Anthropic發(fā)布的Claude-sonnet。下面是我們測試的方式：2.第一段對話的問題是“開場白”：交代需要完成的任務(wù)，問題的格式，提交答案的格式等。通過AI的回復(fù)人工確認其理解。3.依次發(fā)送全部7道題目的題干，在收到回復(fù)后發(fā)送下一道題，中間無人工反饋意見。4.每道題目的題干由文字描述和圖片描述兩部分組成（第三、五、七題無圖）。5.圖片描述是純文本方式，描述的文本全部生成自GPT-4o，經(jīng)人工校對。6.每個大模型所拿到的文字材料是完全相同的（見附件）。上述過程后，對于每個大模型我們獲得了7段tex文本，對應(yīng)于7道問題的解答。以下是我們采取的閱卷方式：1.人工調(diào)整tex文本至可以用Overleaf工具編譯，收集編譯出的PDF文件作為答卷。2.將4個模型的7道問題的解答分別發(fā)送給7位閱卷人組成的閱卷組。3.閱卷組與“天目杯”競賽的閱卷組完全相同，且每位閱卷人負責(zé)的題目也相同。舉例：閱卷人A負責(zé)所有人類和AI答卷中的第一題；閱卷人B負責(zé)所有人類和AI答卷中的第二題，等等。1.DeepSeek-R1表現(xiàn)最好。基礎(chǔ)題（前三題分數(shù)拿滿），第六題還得到了人類選手中未見到的滿分，第七題得分較低似乎是因為未能理解題干中“證明”的含義，僅僅重述了待證明的結(jié)論，無法得分。查看其思考過程，是存在可以給過程分的步驟的，但最后的答案中這些步驟都沒有體現(xiàn)。2.GPT-o1總分與DeepSeek相差無幾。在基礎(chǔ)題（二題、三題）中有計算錯誤導(dǎo)致的失分。相比于DeepSeek，o1的答卷更接近于人類的風(fēng)格，因此以證明題為主最后一題得分稍高。3.Claude-sonnet可謂“馬失前蹄”，在前兩題中連出昏招打了0分，但后續(xù)表現(xiàn)跟o1相當(dāng)接近，連扣分點都是類似的。4.如果將AI的成績與人類成績相比較，則DeepSeek-R1可以進入前三名（獲特優(yōu)獎），但與人類的最高分125分仍有較大差距；GPT-o1進入前五名（獲特優(yōu)獎），Claude-sonnet前十名（獲優(yōu)秀獎）。最后想聊幾句閱卷的主觀感想。首先是AI的思路是真的好，基本上沒有無法下手的題，甚至很多時候一下子就能找到正確的思路。但跟人類不同的是，它們在有正確的思路后，會在一些很簡單的錯誤里面打轉(zhuǎn)。比如通過看R1的第七題思考過程，就發(fā)現(xiàn)它一早就知道要用簡正坐標(biāo)來做，能想到這一步的考生幾乎100%求解出了正確的簡正坐標(biāo)（一個簡單的矩陣對角化而已），但是R1似乎是在反復(fù)的猜測和試錯，到最后也沒有得到簡正坐標(biāo)的表達式。還有就是所有的AI似乎都不理解一個“嚴(yán)密”的證明究竟意味著怎樣的要求，似乎認為能在形式上湊出答案，就算是證明了。AI如同人類，也會出現(xiàn)許多“偶然”錯誤。比如在正式的統(tǒng)一測試前，我們私下嘗試過多次，很多時候Claude-sonnet可以正確解出第一題的答案，但正式測試的那次它就偏偏做錯了。出于嚴(yán)謹，我們也許應(yīng)該對同一道題測試多次然后取平均，但實在是有點麻煩……除了上面AI的測試結(jié)果，這次我們還發(fā)布了本次試題的參考答案。我們當(dāng)然是故意比試題遲幾天發(fā)布答案的，想讓大家先自己挑戰(zhàn)一下。在每道題的解答后，我們還加入了一小段“編后”，有命題人對這道題的評價，以及一些引申的思考等。我們希望答案可以幫助不會做的同學(xué)學(xué)習(xí)，也能引發(fā)會做的同學(xué)進一步的思考。1.所有向大模型發(fā)問的輸入文本（txt），2.每個大模型給出的原始答案文本（txt）和人工整理出的答卷（PDF），3.命題組提供的標(biāo)準(zhǔn)答案。最后感謝“字節(jié)跳動”的AI“豆包”對本文的修改～春節(jié)快樂，學(xué)習(xí)進步，工作順利！
掃碼進入“科學(xué)與中國”小程序，可觀看以院士科普視頻為代表的優(yōu)秀科普視頻，第一時間獲取中國科學(xué)院公眾科學(xué)日、科學(xué)節(jié)等科普活動報名信息。
本站僅提供存儲服務(wù)，所有內(nèi)容均由用戶發(fā)布，如發(fā)現(xiàn)有害或侵權(quán)內(nèi)容，請
點擊舉報。
