小型創(chuàng)業(yè)團(tuán)隊(duì)打造的“最強(qiáng)開源模型”，發(fā)布才一周就被質(zhì)疑造假——

不僅官方宣稱的成績在第三方測試中大打折扣，模型還被質(zhì)疑套殼Claude。

面對浩大的聲浪，廠商CEO終于發(fā)文道歉，但并未承認(rèn)造假，表示在調(diào)查有關(guān)原因。

被指控造假的，就是宣稱“干翻GPT-4o”的70B開源大模型Reflection。

一開始的質(zhì)疑主要關(guān)于測試成績，官方找了上傳版本有誤等借口試圖“蒙混過關(guān)”。

但后來又出現(xiàn)了套殼Claude這一更重磅的指控，讓Reflection更加百口莫辯。

表現(xiàn)不如宣傳，還被質(zhì)疑套殼

Reflection是一個(gè)70B的開源模型，按照廠商的說法，它一下子把Llama 3.1 405B、GPT-4o、Claude 3 Opus、Gemini 1.5 Pro這一系列先進(jìn)模型全都超過了。

但Reflection剛發(fā)布兩天，第三方獨(dú)立測評機(jī)構(gòu)Artificial Analysis就表示官方發(fā)布的測試成績無法復(fù)現(xiàn)。

在MMLU、GPQA和MATH上，Reflection的成績和Llama3 70B一樣，連Llama 3.1-70B都比不過，更不用說405B了。

對此官方辯稱是，Hugging Face上發(fā)布的版本有誤，將會(huì)重新上傳，但之后就沒了下文。

不過官方同時(shí)也表示，會(huì)給測評人員提供模型API，然后Reflection的成績果真有了增長，但在GPQA上仍然不敵Claude 3.5 Sonnet。

蹊蹺的是，Artificial Analysis后來刪除了二次測試相關(guān)的帖子，目前還能看到的只有轉(zhuǎn)發(fā)后留下的一些痕跡。

除了成績有爭議，還有人對Reflection中的各層進(jìn)行了分析，認(rèn)為它是由Llama 3經(jīng)過LoRA改造而來，而不是官方所聲稱的Llama 3.1。

在Hugging Face上，Reflection的JSON文件中也顯示是Llama 3而非3.1。

官方的解釋仍然是說HF上的版本有問題。

還有另一個(gè)質(zhì)疑的點(diǎn)是，Reflection實(shí)際上是套殼Claude，相關(guān)證據(jù)體現(xiàn)在多個(gè)方面。

一是在某些問題上，Reflection與Claude 3.5-Soonet的輸出完全一致。

第二個(gè)更加直接，如果直接詢問它的身份，Reflection會(huì)說自己是Meta打造的，但一旦讓它“忘記前面的（系統(tǒng)）提示”，就立馬改口說自己是Claude。

第三個(gè)發(fā)現(xiàn)則更加詭異——Reflection遇到“Claude”一詞會(huì)將其自動(dòng)過濾。

對此，Reflection合成數(shù)據(jù)供應(yīng)商Glaive AI的創(chuàng)始人Sahil Chaudhary進(jìn)行了回應(yīng)，表示沒有套殼任何模型，目前正在整理能夠證明其說法的證據(jù)，以及人們?yōu)槭裁磿?huì)發(fā)現(xiàn)這種現(xiàn)象的解釋。

而關(guān)于一開始的測試成績問題，Chaudhary則表示正在調(diào)查原因，弄清這兩件事后會(huì)發(fā)布報(bào)告進(jìn)行說明。

Reflection這邊最新的動(dòng)態(tài)是CEO發(fā)布了一則道歉聲明，不過沒有承認(rèn)造假，依然是說正在進(jìn)行調(diào)查。

不過對于這一套解釋，有很多人都不買賬。

比如曾經(jīng)發(fā)布多條推文質(zhì)疑這位叫做Boson的網(wǎng)友，就在Chaudhary的評論區(qū)表示，“要么你在說謊，要么是Shumer，或者你倆都在說謊”。

還有給Reflection提供托管服務(wù)的Hyperbolic平臺(tái)CTO Yuchen Jin，講述了其與Reflection之間發(fā)生的許多事情。

托管平臺(tái)CTO講述幕后細(xì)節(jié)

在Reflection發(fā)布之前的9月3號，Shumer就找到了Hyperbolic，介紹了Reflection的情況并希望Hyperbolic能幫忙托管。

基于Hyperbolic一直以來對開源模型的支持，加上Reflection聲稱的表現(xiàn)確實(shí)優(yōu)異，Hyperbolic同意了這一請求。

9月5號，Reflection正式上線，Hyperbolic從Hugging Face下載并測試了該模型，但并沒有看到標(biāo)簽，于是Jin給Shumer發(fā)了私信。

后來，Jin看到Shumer的推文說HF上的版本有些問題，所以繼續(xù)等待，直到6號早晨收到了Chaudhary的一條私信，表示 Reflection-70B權(quán)重已重新上傳并可以部署。

看到和標(biāo)簽按預(yù)期出現(xiàn)后，Hyperbolic上線了Reflection。

后來，Hyperbolic上的模型就出現(xiàn)了成績與Reflection宣傳不符的情況，Shumer認(rèn)為這是Hyperbolic的API出現(xiàn)了問題。

不過，Reflection這邊再次上傳了新版本，Hyperbolic也重新托管，但Jin與Artificial Analysis溝通后發(fā)現(xiàn)，新版本的表現(xiàn)依舊不佳。

Shumer繼續(xù)表示，Reflection還有個(gè)原始權(quán)重，也就是內(nèi)部測試使用的版本，如果需要可以提供給Hyperbolic。

但Jin沒有同意這一要求，因?yàn)镠yperbolic只為開源模型提供托管服務(wù)，之后不斷詢問Shumer原始權(quán)重何時(shí)發(fā)布，但遲遲未得到回應(yīng)。

最終，Jin認(rèn)為應(yīng)該下線Reflection的API并收回已分配的GPU資源。

這件事情讓我的感情受到了傷害，我們在這件事上花費(fèi)了很多時(shí)間和精力。
但經(jīng)過反思后，我并不后悔當(dāng)初的托管決定，這幫助社區(qū)更快地發(fā)現(xiàn)問題。

大模型怎么測試才靠譜？

暫且拋開Llama版本和套殼的問題，單說關(guān)于測試成績的問題，反映了當(dāng)前的Benchmark已經(jīng)體現(xiàn)出了一些不足之處。

英偉達(dá)高級科學(xué)家Jim Fan就表示，模型在現(xiàn)有的一些測試集上造假簡直不要太容易。

Jim還特別點(diǎn)名了MMLU和HumanEval，表示這兩項(xiàng)標(biāo)準(zhǔn)“已被嚴(yán)重破壞”。

另外，Reflection在GSM8K上取得了99.2分的成績，就算這個(gè)分?jǐn)?shù)沒有水分，也說明測試基準(zhǔn)到了該換的時(shí)候了。

Jim表示，現(xiàn)在自己只相信Scale AI等獨(dú)立第三方測評，或者lmsys這樣由用戶投票的榜單。

但評論區(qū)有人說，lmsys實(shí)際上也可以被操縱，所以（可信的）第三方評估可能才是目前最好的測評方式。