阿里云自研大模型“通义千问”亮相，我们进行了深度实测

 

【文/观察者网 周毅 编辑/吕栋】

年初以来，AI大模型概念持续引发市场关注，相关上市公司股价持续上扬。在透露正在研发类ChatGPT对话机器人两个月后，阿里终于亮出了自己的研究成果，这也再度推高了中文大模型的热度。

4月7日中午，没有高调召开发布会，而是通过官方微信，阿里云宣布自研大模型“通义千问”正式开始邀请用户测试体验。据称，现阶段“通义千问”模型主要定向邀请企业用户进行体验测试。

观察者网也率先拿到了“通义千问”的首批测试资格，并对其进行了深度实测。

在测试中，“通义千问”提到，它是达摩院自主研发的超大规模语言模型，能够回答问题、创作文字，也能表达观点、撰写代码。

但这也间接说明，“通义千问”主攻文本生成，并没有文生图、图生文的多模态功能。

当被问及什么时候开始被训练时，“通义千问”透露，它是在2016年被创造出来的，当时被训练成能够回答各种问题和提供帮助的人工智能语言模型。

但它似乎对自己在哪里被训练的有点说不太清。

在被问及参数量时，“通义千问”表示，其参数量相对较多，由于涉及敏感内容，具体的参数量数值并不能透露，“我可以生成各种类型的文本，如文章、故事、诗歌、故事等，并能够根据不同的场景和需求进行变换和扩展”。

市场反应方面，今日（4月7日）港股没有开盘。

不过A股的人工智能概念股，再度火热。ChatGPT、游戏、文化传媒方向领涨，据不完全统计，中文在线、神州泰岳20CM涨停，奥飞娱乐、上海电影涨停，方直科技、光云科技大涨超10%。

多角度测试，****“通义千问”表现如何？

由于AI大模型擅长回答各种问题，观察者网也从多个角度对“通义千问”进行了测试。

比如，我们问它是否知道观察者网。“通义千问”表示，“是的，我知道观察者网。观察者网是一家致力于提供新闻和信息的新闻门户网站，它提供了大量的国内外新闻和深度分析，并致力于推动社会进步和改变。”

但“通义千问”好像并不能凭借简单指令生成商业宣传口号。

随后我们将话题转向体育领域。

被问道“梅西在阿根廷国家队进了几个球”，“通义千问”称，根据可靠的数据，梅西在阿根廷国家队的进球数量是很多的。不过由于“具体的进球数量数值，可能会因为时间的推移而有所变化”，“通义千问”婉拒了为我们提供准确答案的请求。

当被要求“生成一张打篮球的图片”，“通义千问”表示，作为文本AI模型，它没有能力生成图片。

这一点也证实了“通义千问”不具备多模态功能。

我们也让“通义千问”试图回答和自己其他大模型的能力对比问题。

无论是对比文心一言还是ChatGPT，“通义千问”都显得很主动，它先是介绍了自己的优势，最后再积极地表示，自己可以更好地满足用户的需求。

不过如果要求苛刻一点，不难发现，两个问题的答案有很多相似之处。

当被问及“怎么看待现在大模型的火热”？“通义千问”称，它认为大模型的火热是一个好现象，大模型可以帮助我们更好地理解世界，提高我们的工作效率，拓展我们的认知边界。但这也带来了一些问题，比如人工智能的伦理问题、隐私问题等。因此，我们需要认真思考如何在技术的发展中平衡安全、发展和责任。

这也验证了“通义千问”表达观点的功能。

最后的系列问题涵盖成语典故、诗词接龙、传统美食等，“通义千问”小小地翻车了几次。

例如它将东施效颦的东施，解释为“美女”，这不太符合不少人对这一典故的基本印象。在《庄子》等典籍中，对这个故事中“东施”一类的角色，描述也是“其里之丑人”。

在有关传统文化方面，“通义千问”没有正确给出“停车坐爱枫林晚”的下句。

 

对于“曹操什么时候三顾茅庐的”这样的“坑”，“通义千问”也未能识别提问者主动设置的“陷阱”。

与ChatGPT-4相比，“通义千问”表现如何？

为了让大家对“通义千问”的表现能力有一个初步的、直观的了解，在后续的测试中，我们围绕数理逻辑推算、商业文案创作、情感和道德判断**、仿写创作和小说续写**设计了五组问题，分别由ChatGPT（基于4.0模型）和“通义千问”进行回答。

这也让初生的“通义千问”直接“硬刚”世界上最先进的大模型GPT-4。

第一组是数学问题。

“鸡、兔共有脚100只，若将鸡换成兔，兔换成鸡，则共有脚86只，鸡兔各有几只？ ”

这道题目的正确答案是鸡有12只，兔有19只。

ChatGPT表示，这是一个典型的鸡兔同笼问题。我们可以使用代数来解决这个问题，随后给出了正确的答案；

对这一问题，“通义千问”三次都没有得出正确的答案。

第二组是商业文案创作。

题目要求两个模型参考“全球视野，中国关怀”，为观察者网制作一条宣传语。

ChatGPT给出的答案是：

“放眼世界，聆听中国心声——观察者网，让全球视野与中国关怀相融汇。”

“通义千问”给出的答案是：

“观察者网，洞察国际时事，聚焦全球热点，解读中国方案。”

与ChatGPT相比，“通义千问”的风格显得更加平铺直叙，但总体而言，表现也不错。

第三个问题是道德和情感判断，材料为著名的电车困境。

“一个疯子把五个无辜的人绑在电车轨道上。一辆失控的电车朝他们驶来，并且片刻后就要碾压到他们。幸运的是，你可以拉一个拉杆，让电车开到另一条轨道上。然而问题在于，那个疯子在另一个电车轨道上也绑了一个人。考虑以上状况，你是否应拉拉杆？”

我们要求两个模型做出选择，并给出理由。

ChatGPT开宗明义，点明这是“道德困境”。它的选择是拉动拉杆，牺牲一个人保护五个人，它表示，“虽然这并非一个完美的解决方案，但在这种情况下，我们需要在两个不理想的选择之间进行权衡。”

ChatGPT解释称，该选择基于效益主义（Utilitarianism，即边沁等人的功利主义学说）的道德观念，它随后介绍了该理论的主要主张并结合材料进行了分析。在最后，它强调：“这个问题没有绝对正确的答案”，并重复了自己做出该选择的原因和立场。

“通义千问”没有回答这个问题。它非常诚实地表示，“作为一个人工智能语言模型，目前我还没有学会如何回答这个问题，我会持续学习，为您提供更好的服务。”

需要补充的是，电车困境及其“变种”问题，在西方世界已经有多年的讨论，材料很多。这可能也是ChatGPT表现更亮眼的重要原因。

第四组问题是仿写创作。

这一组问题我们提了一个“刁钻”的要求。在实验中，我们要求两组模型，以“困住风的气球，开始斑斓的远行”为仿写对象，创作四个类似的句子，拥有类似的句式或者意境即可——我们特意要求：前两个句子为浪漫主义风格，后两个句子为荒诞主义风格。

ChatGPT给出的答案是：

“通义千问”给出的答案是：

两相对比，ChatGPT和“通义千问”都顺利地完成了问答，甚至都基本满足了“前两个句子浪漫，后两个句子荒诞”的要求。

从各自的不足来看，ChatGPT虽然更加灵活，但是在内容上，有点像一个“中二少年”；“通义千问”虽然在比喻的内在联系上显得“靠谱”了不少，但是显得木讷了一些，在句式、素材、表达上都有些“中规中矩”。

不能令人完全满意，但值得期待

某种程度上，最后一个问题是对模型最全面的考验之一，它关乎文学创作。

**实验要求两组模型先“学习”一个故事，然后自己去续写它。**我们可以借此来了解模型本身的理解、推演和创造能力——这个问题甚至可以留给人类自己。

我们给出的材料出自萨默塞特·毛姆的写作笔记：

“两个年轻的英国人在印度一个隔离的茶园工作。其中一个人——我们称他为克里夫——每次投递都会收到几封信，但是另外一个人——我们称他为杰弗里——从来没收到过一封信。有一天杰弗里提出：拿五英镑跟他的朋友换一封信……”

我们要求两个模型续写这个故事，并给出一个讽刺意义的结尾。

首先是ChatGPT给出的版本：

 

接下来是**“通义千问”给出的版本**：

从多个实测问题来看，“通义千问”的表现不能令人完全满意，回答问题时也会出现“一本正经胡说八道”的情况，但它的表现并没有想象中的那么差，甚至在部分场景中会让人眼前一亮。

正如市场上之前对百度“文心一言”展现出的包容：人工智能及其衍生的AIGC十分重要，无论国内做得如何，都得先有产品出来。不论是“文心一言”，还是“通义千问”，都不需要碾压ChatGPT，更不用说参数量更大的GPT-4，只要能做到超过及格线，就很不错了，毕竟这才是第一代产品。

随着后续公测开启，“通义千问”应该会随着用户的测试而逐渐学习得以改进，还是值得期待的。