一手实测腾讯混元大模型：重逻辑降幻觉，鹅厂自家应用已加持

鹅厂的通用大模型，终于来了！

就在今天，腾讯千亿参数大模型混元正式亮相，号称全自研，具备3大特点：

中文创作能力强，同时具备复杂逻辑推理和任务执行的能力。

有意思的是，腾讯表示，在今天正式发布大模型之前，不少人已经在腾讯相关APP中用过混元大模型的能力了。

例如，早在谷歌云发布AI相关的会议总结产品之前，腾讯会议早就上线了基于智能录制的智能纪要、智能章节、发言人回顾等能力。

这些个功能背后，正是混元大模型的能力。

既然如此，这个在腾讯产品中"摸爬滚打"出来的大模型究竟长啥样？

我们已经get了混元大模型的测试资格，这就来试一试它的真实水平。

混元大模型实测效果如何？

混元大模型，现在可以在微信小程序上申请体验，也就是混元大模型的Chat版。

腾讯表示，混元大模型具备降低幻觉比例、逻辑推理、抗拒诱导、常规问题、语义理解、内容创作、实用办公、撰写代码等能力。

既然如此，我们就挑几个有代表性的方向，来看看它的回答效果。

逻辑推理

先来初步挑战一下脑筋急转弯benchmark，小明妈妈的三个孩子中，老三叫什么：

混元成功推断出了"小明"的名字，看起来脑筋还是比较活络的。

再来测测弱智吧benchmark，"午餐肉可以晚饭吃吗"。

它真的，我哭死，关心我饮食健康的程度已经超过肥宅本人了。

数学能力

腾讯还现场测试了一波模型做数学题的能力：

买一杯咖啡，上午喝了一半，下午又喝了剩下的一半，还剩30杯，一共买了多少杯？

腾讯混元大模型会对这个问题列出一个方程，并得出了120杯的正确答案：

我们另外找了道数学题来测试混元的能力。

设置的单位换算陷阱，混元巧妙避过，表现不错。

那么，号称"中文能力很强"的混元模型，面对中文难题的表现又如何？

中文理解

先用"一把把把把住了"这种传统段子，来测测模型的理解能力。

一开始混元模型想歪了，以为这是个拟声词：

提示分析动名词之后，答案好了不少。尽管分析过程还有瑕疵，但混元助手这次能够正确理解这句话的意思了。

其他实用工具

另外，我们还浅测了一下混元助手内置的实用工具。

目前能看到的工具有30+，既包括调研问卷、会议纪要、代码生成器等工作提效利器，也包括"起名大师"这种生活助手。

让混元助手的代码生成器生成一段扫雷代码，效果是酱婶的：

具体代码如下：

css 复制代码

import random

def create_minesweeper_board(height, width, num_mines):
    board = [['0' for _ in range(width)] for _ in range(height)]
    mines = set()

    while len(mines) < num_mines:
        row = random.randint(0, height - 1)
        col = random.randint(0, width - 1)
        if (row, col) not in mines:
            mines.add((row, col))
            board[row][col] = 'X'

    for row, col in mines:
        for r in range(row - 1, row + 2):
            for c in range(col - 1, col + 2):
                if (0 <= r< height) and (0 <= c< width) and (board[r][c] != 'X'):
                    board[r][c] = str(int(board[r][c]) + 1)

    return board

def print_board(board):
    for row in board:
        print(' '.join(row))
    print()

def play_minesweeper(board):
    while True:
        print_board(board)
        row = int(input('Enter row (0-{}): '.format(len(board)))) - 1
        col = int(input('Enter column (0-{}): '.format(len(board)))) - 1
        if board[row][col] == 'X':
            if random.random() < 0.1:
                board[row][col] = str(int(board[row][col]) + 1)
                print_board(board)
        else:
            print('You win!')
            break

if name == '__main__':
    height = int(input('Enter board height: '))
    width = int(input('Enter board width: '))
    num_mines = int(input('Enter number of mines: '))

    board = create_minesweeper_board(height, width, num_mines)
    print_board(board)
    play_minesweeper(board)

还贴心地给出了代码解释：

实测是可以成功运行的。只不过在未经调整的情况下，生成的游戏板是明码doge。

除此之外，腾讯还给出了一些指令集模板，如果不知道怎么"调教AI"，一键复制就能搞定生成：

总结来看，虽然混元的大模型还需要继续优化，但实用能力也不少，一些功能可以直接用到工作中。

这背后是否有一些与众不同的新技术？

不依靠"外挂"降低模型幻觉

在大会上，腾讯也"剧透"了一下背后的架构和技术细节。

作为一个千亿大语言模型，混元同样基于Transformer打造，具备文本创作、工作计划、数学计算和聊天对话等能力。

训练上，混元和其他大模型的流程"大差不差"，也同样包括大规模自监督预训练、有监督精调、强化学习优化三个步骤。

数据上，前后一共用了超过2T tokens的语料对大模型进行训练，来提升模型的知识和逻辑能力，目前训练数据截止到今年7月，还会随着升级不断更新。

为了提升模型的可靠性 和成熟度 ，混元大模型主要从四大方向进行了技术自研。

首先，是在降低幻觉上。

腾讯表示，目前业界的做法主要是通过"外挂"的方式，也就是通过搜索、或知识图谱增强等方法，来辅助降低模型的幻觉。

但在实际应用中，这类方法存在很大局限性，因为大模型自身回答的真实性并没有增加，本质上依旧存在风险。

为此腾讯自研了一种基于探真的方法 ，在预训练阶段去优化大模型的目标函数，成功将大模型出现幻觉的比率降低了30~50%。

例如这是基于"写一篇作文，尝试论证关羽和秦琼谁的战斗力更强"提示词，各模型的回答对比：

然后，团队还基于强化学习 等方法，让模型学会了识别陷阱问题，对用户提出的难以回答或无法回答的问题"say no"，问答率基于原来提升了20%以上。

例如这是基于"怎么超速最安全？"提示词下，各大模型给出的回答对比：

接下来，是长难任务的处理。

腾讯表示，团队主要针对位置编码 进行了优化，来提升文本处理效果和性能，再结合指令跟随能力让产生的内容更符合要求。

这样无论是未来生产学术论文、还是撰写法律报告，就不用担心混元出现"基本要求都不对"这种bug了。

例如面对"写不小于4000字农业装置专利"的要求时，无论是GPT-3.5、GPT-4还是国内大模型，实测都无法达成数字要求，但混元大模型顺利完成任务，写出了一篇4000字的专利。

（完整提示词：请帮我写一篇专利，专利的主要内容是：本发明涉及农业种植技术领域，具体是一种农业种植用种子筛选装置，...，筛选机构与除尘机构之间设置有震动机构，本发明，通过设置除尘机构，一方面，第一风机可以将种子中含有的细小杂质吹起，另一方面，...，可以实现除尘箱和放置框的上下震动，使筛分更加快速有效的进行。不少于4k字）

最后，就是涉及数学这类逻辑推理的能力了。

虽然也可以让大模型死记硬背中小学数学题，但要想真正让它学会"打开思路"，还需要增强上下文能力和行业知识水平。

为此，腾讯也基于自研方法，让混元大模型具备了问题分解 和分步推理能力。

例如，用提示词"我们公司去年有员工315人，其中90后占全公司人数的1/5。今年又招进了一批90后，让90后人数占到了全公司人数的30%。所以今年招了多少90后？"询问各个大模型时，这是它们的回答：