AI考公考编指日可待！微软华人团队发布全新基准AGIEval，专为人类考试而生
Air Explorer Pro是一款跨平台多网盘管理工具，可实现一站式完成不同网盘间文件的互传、搜索和同步等操作。任务管理和过程控制会更完整，持续下载、批量同步或需要稳定传输流程的场景会更适合它。
随着语言模型的能力越来越强，现有的这些评估基准实在有点小儿科了，有些任务的性能都甩了人类一截。通用人工智能（AGI）的一个重要特点是模型具有处理人类水平任务的泛化能力，而依赖于人工数据集的传统基准测试并不能准确表示人类的能力。最近，微软的研究人员发布了一个全新基准AGIEval，专门用于评估基础模型在「以人为本」（human-centric）的标准化考试中，如高考、公务员考试、法学院入学考试、数学竞赛和律师资格考试中的表现。论文链接：https://arxiv.org/pdf/2304.06364.pdf
随着语言模型的能力越来越强，现有的这些评估基准实在有点小儿科了，有些任务的性能都甩了人类一截。
通用人工智能（AGI）的一个重要特点是模型具有处理人类水平任务的泛化能力，而依赖于人工数据集的传统基准测试并不能准确表示人类的能力。
最近，微软的研究人员发布了一个全新基准AGIEval，专门用于评估基础模型在「以人为本」（human-centric）的标准化考试中，如高考、公务员考试、法学院入学考试、数学竞赛和律师资格考试中的表现。
论文链接：https://arxiv.org/pdf/2304.06364.pdf
数据链接：https://github.com/microsoft/AGIEval
研究人员使用AGIEval基准评估了三个最先进的基础模型，包括GPT-4、 ChatGPT和Text-Davinci-003，实验结果发现GPT-4在SAT、 LSAT和数学竞赛中的成绩超过了人类平均水平，SAT数学考试的准确率达到了95% ，中国高考英语考试的准确率达到了92.5% ，表明了目前基础模型的非凡表现。
但GPT-4在需要复杂推理或特定领域知识的任务中不太熟练，文中对模型能力(理解、知识、推理和计算)的全面分析揭示了这些模型的优势和局限性。
AGIEval数据集
近年来，大型基础模型如GPT-4在各个领域已经表现出非常强大的能力，可以辅助人类处理日常事件，甚至还能在法律、医学和金融等专业领域提供决策建议。
也就是说，人工智能系统正逐步接近并实现通用人工智能（AGI）。
但随着AI逐步融入日常生活，如何评估模型以人为本的泛化能力，识别潜在的缺陷，并确保它们能够有效地处理复杂的、以人为本的任务，以及评估推理能力确保在不同环境下的可靠性和可信度是至关重要的。
研究人员构造AGIEval数据集主要遵循两个设计原则：
1. 强调人脑级别的认知任务
设计「以人为本」的主要目标是以与人类认知和解决问题密切相关的任务为中心，并以一种更有意义和全面的方式评估基础模型的泛化能力。
为了实现这一目标，研究人员选择了各种官方的、公开的、高标准的招生和资格考试，以满足一般人类应试者的需要，包括大学入学考试、法学院入学考试、数学考试、律师资格考试和国家公务员考试，每年都有数百万寻求进入高等教育或新职业道路的人参加这些考试。
通过遵守这些官方认可的评估人类水平能力的标准，AGIEval可以确保对模型性能的评估与人类决策和认知能力直接相关。
2. 与现实世界场景的相关性
通过选择来自高标准的入学考试和资格考试的任务，可以确保评估结果能够反映个人在不同领域和背景下经常遇到的挑战的复杂性和实用性。
这种方法不仅可以衡量模型在人类认知能力方面的表现，而且可以更好地了解在现实生活中的适用性和有效性，即有助于开发出更可靠、更实用、更适合于解决广泛的现实世界问题的人工智能系统。
根据上述设计原则，研究人员选择了多种标准化的高质量考试，强调人类水平的推理和现实世界的相关性，具体包括：
1. 普通高校入学考试
大学入学考试包含各种科目，需要批判性思维、解决问题和分析能力，是评估大型语言模型与人类认知相关性能的理想选择。
具体包括研究生入学考试（GRE），学术评估考试（SAT）和中国高考（Gaokao），可以评估寻求进入高等教育机构的学生的一般能力和特定学科知识。
数据集中收集了与中国高考8个科目对应的考试：历史、数学、英语、中文、地理、生物、化学和物理；从GRE中选择数学题；从SAT中选择英语和数学科目来构建基准数据集。
2. 法学院入学考试
法学院入学考试，如LSAT，旨在衡量未来的法律学生的推理和分析能力，考试内容包括逻辑推理、阅读理解和分析推理等部分，需要应试者分析复杂信息和得出准确结论的能力，这些任务可以评估语言模型在法律推理和分析方面的能力。
3. 律师资格考试
可以评估追求法律职业的个人的法律知识、分析能力和道德理解，考试内容涵盖了广泛的法律主题，包括宪法、合同法、刑法和财产法，并要求考生展示他们有效应用法律原则和推理的能力，可以在专业法律知识和道德判断的背景下评估语言模型的表现。
4. 研究生管理入学考试（GMAT）
GMAT是一个标准化的考试，可以评估未来商学院研究生的分析、定量、言语和综合推理能力，由分析性写作评估、综合推理、定量推理和言语推理等部分组成，评估应试者的批判性思考、分析数据和有效沟通的能力。
5. 高中数学竞赛
这些比赛涵盖了广泛的数学主题，包括数论、代数、几何和组合学，并且经常出现一些非常规的问题，需要用创造性的方法来解决。
具体包括美国数学竞赛（AMC）和美国数学邀请考试（AIME），可以测试学生的数学能力、创造力和解决问题的能力，能够进一步评估语言模型处理复杂和创造性数学问题的能力，以及模型生成新颖解决方案的能力。
6. 国内公务员考试
可以评估寻求进入公务员队伍的个人的能力和技能，考试内容包括评估一般知识、推理能力、语言技能，以及与中国各种公务员职位的角色和职责有关的特定科目的专业知识，可以衡量语言模型在公共管理背景下的表现，以及他们对政策制定、决策和公共服务提供过程的潜力。
评估结果
选择的模型包括：
ChatGPT，由OpenAI开发的对话式人工智能模型，可以参与用户互动和动态对话，使用庞大的指令数据集进行训练，并通过强化学习与人类反馈（RLHF）进一步调整，使其能够提供与人类期望相一致的上下文相关和连贯的回复。
GPT-4，作为第四代GPT模型，包含范围更广的知识库，在许多应用场景中都表现出人类水平的性能。GPT-4利用对抗性测试和ChatGPT进行了反复调整，从而在事实性、可引导性和对规则的遵守方面有了明显的改进。
Text-Davinci-003是GPT-3和GPT-4之间的一个中间版本，通过指令微调后比GPT-3的性能更好。
除此之外，实验中还报告了人类应试者的平均成绩和最高成绩，作为每个任务的人类水平界限，但并不能完全代表人类可能拥有的技能和知识范围。
Zero-shot/Few-shot评估
在零样本的设置下，模型直接对问题进行评估；在少样本任务中，在对测试样本进行评估之前，先输入同一任务中的少量例子（如5个）。
为了进一步测试模型的推理能力，实验中还引入思维链（CoT）提示，即先输入提示「Let’s think step by step」为给定的问题生成解释，然后输入提示「Explanation is」根据解释生成最终的答案。
基准中的「多选题」使用标准分类准确率；「填空题」使用精确匹配（EM）和F1指标。
从实验结果中可以发现：
1. GPT-4在所有任务设置下都明显优于其同类产品，其中在Gaokao-English上更是取得了93.8%的准确率，在SAT-MATH上取得了95%的准确率，表明GPT-4在处理以人为本的任务方面具有卓越的通用能力。
2. ChatGPT在需要外部知识的任务中明显优于Text-Davinci-003，例如涉及地理、生物、化学、物理和数学的任务，表明ChatGPT拥有更强大的知识基础，能够更好地处理那些需要对特定领域有深刻理解的任务。
另一方面，ChatGPT在所有评估设置中，在需要纯粹理解和不严重依赖外部知识的任务中，如英语和LSAT任务，略微优于Text-Davinci-003，或取得相当的结果。这一观察结果意味着，这两个模型都能够处理以语言理解和逻辑推理为中心的任务，而不需要专门的领域知识。
3. 尽管这些模型的总体表现不错，但所有的语言模型都在复杂的推理任务中表现不佳，比如MATH、LSAT-AR、GK-physics和GK-Math，突出了这些模型在处理需要高级推理和解决问题技能的任务方面的局限性。
观察到的处理复杂推理问题的困难为未来的研究和开发提供了机会，目的是提高模型的一般推理能力。
4. 与zero-shot学习相比，few-shot学习通常只能带来有限的性能改善，表明目前大型语言模型的zero-shot学习能力正在接近few-shot学习能力，也标志着与最初的GPT-3模型相比有了很大的进步，当时few-shot性能要比zero-shot好得多。
对这一发展的一个合理解释是，在目前的语言模型中加强了人类的调整和指令的调整，这些改进使模型能够提前更好地理解任务的含义和背景，从而使它们即使在zero-shot的情况下也能有良好的表现，证明了指令的有效性。
Shapr3D是一款面向工业设计、机械工程、建筑概念和三维打印工作流的CAD软件。Mac版采用Parasolid建模内核，支持草图约束、实体建模、工程图、可视化渲染及常见CAD格式交换，并可通过账户在多台设备之间同步项目。
REAPER是Cockos开发的数字音频工作站，提供多轨音频与MIDI录制、剪辑、处理、混音和母带制作工具。Mac版兼容Intel与Apple芯片，支持AU、VST、VST3、CLAP等插件格式，并提供高度可定制的工作流程。
Ableton Live 是面向音乐制作人与现场表演者的数字音频工作站，提供编曲视图、独具特色的现场视图、音频录制、MIDI创作、实时变速、乐器及效果器。Mac版原生支持Apple芯片，并可连接音频接口、MIDI控制器和第三方插件。
Adobe After Effects 是面向动态图形、影视特效与视频合成的专业创作软件。它提供关键帧动画、遮罩抠像、运动跟踪、三维空间、文字动画和表达式等工具，并可与 Premiere Pro、Photoshop、Illustrator
Adobe Audition 是面向播客、影视后期、音乐制作及内容创作者的专业音频工作站，提供波形精修、多轨录制与混音、频谱编辑、降噪修复、响度匹配和效果处理工具，并可与 Adobe Premiere 协同完成视频声音制作。
Adobe Bridge 是面向摄影师、设计师及内容团队的免费数字资产管理工具，可集中预览照片、视频和 Adobe 项目文件，并利用评级、标签、关键词、元数据、筛选与收藏集完成分类检索。它还支持批量重命名、格式导出、相机导入及 Camera
Adobe Illustrator 是 Adobe 推出的专业矢量图形设计软件，适合在 Mac 上制作标志、图标、插画、包装、信息图及印刷版面。它以路径和锚点构建可无损缩放的图形，并提供钢笔、形状、文字、图像描摹、渐变、画板及生成式功能。
Adobe InDesign 是面向印刷品与数字出版物的专业版面设计软件，可在 Mac 上制作书籍、杂志、宣传册、海报、报告及交互式文档。它提供精细的文字样式、网格、母版、长文档管理和印前输出能力。
Adobe Lightroom Classic 是面向桌面摄影工作流的照片管理与后期处理软件，可将原始照片保存在本地硬盘，通过目录、关键词、评分和收藏夹高效整理图库，并提供 RAW 冲印、蒙版、镜头校正、批量同步及多格式导出等功能。
Adobe Media Encoder 是 Adobe 推出的专业音视频编码与转码工具，可通过队列、预设和监视文件夹批量完成格式转换、代理文件创建及多平台成片输出，并与 Premiere Pro、After Effects 等软件紧密协作。
Adobe Photoshop 是面向摄影师、设计师和内容创作者的专业图像处理软件，提供图层、蒙版、选区、修复、调色、文字排版、智能对象及生成式编辑等能力。Mac 版支持 Intel 与 Apple Silicon 处理器。
Adobe Premiere Pro 是面向专业视频制作的非线性剪辑软件，提供多轨时间线、调色、音频处理、字幕、代理工作流和多格式输出能力，并可与 After Effects、Audition、Photoshop 及 Frame.io 协同
Photoshop 2026 是 Adobe 推出的专业图像处理与视觉设计软件，支持 Windows、macOS 和 iPad 等平台，广泛应用于摄影修图、电商设计、平面海报、数字绘画及视觉合成等创作场景。
Blender 是一款免费开源、跨平台的专业 3D 创作软件，集建模、动画、渲染、视频编辑与视觉合成等功能于一体，广泛应用于影视动画、游戏设计和建筑可视化等领域。软件支持 Cycles 物理渲染器与 Eevee 实时渲染引擎，并提供多边形建模、骨骼绑定、物理模拟等专业工具。Blender 兼容 Windows、macOS 和 Linux 系统，安装包轻巧、运行流畅，依托活跃的全球开发者社区持续更新，是从初学者到专业创作者都值得选择的正版 3D 创作工具。
极度公式是一款跨平台专业LaTeX公式识别编辑软件，支持OCR公式识别和多平台编辑。和使用说明，避免使用，享受完整功能与稳定支持。做扫描整理、文字提取和表格转换时，它能把识别后的处理步骤接得更顺，资料录入这类场景会省下不少时间。
一款文字处理软件，一种订阅式的跨平台办公软件，基于云平台提供多种服务，通过将 Excel 和 Outlook 等应用与 OneDrive 和 Microsoft Teams 等强大的云服务相结合，Office 365 可让任何人使用任何设备随时随地创建和共享内容。
Wise Folder Hider Pro 是一款专业级文件和文件夹隐藏加密软件，为私密数据添加多重保护。高频操作更强调就近处理，浏览、整理和跨目录移动文件时，来回切换和重复点击都会少很多。
CodeExpander 是一款快捷短语输入增强工具，通过键入缩写自动展开为自定义文段，提升工作效率。任务管理和过程控制会更完整，持续下载、批量同步或需要稳定传输流程的场景会更适合它。