ChatGPT 变懒原因：正在给自己放寒假！已被网友测出

ChatGPT 近期偷懒严重，有了一种听起来很离谱的解释：

模仿人类，自己给自己放寒假了～

有测试为证，网友 @Rob Lynch 用 GPT-4 turbo API 设置了两个系统提示：

一个告诉它现在是 5 月，另一个告诉它现在是 12 月。

然后使用完全相同的提示词要求 GPT-4"完成一个机器学习相关的编码任务"。

在这两种不同时间设定下对 477 个回复进行统计，结果 12 月的输出平均少了 200 字符：

系统提示为 5 月，生成的文本平均长度是 4298 字符。

系统提示为 12 月，生成的文本平均长度是 4086 字符。

这里还有相关性分析，t 检验结果 p 值 < 2.28e-07（p 值小于 0.05 表示该自变量对因变量解释性很强）。

有人进一步添枝加叶，让 ChatGPT 对 12 个月份的生产力做了个排名。

结果 ChatGPT 确实认为 12 月是生产力最低的月份，原因是"由于假期和年终总结"。

嚯，事情好像变得更有意思了。虽然目前这事儿还没有一个定论，但网友对此依旧兴趣高涨🔥，当即"头脑风暴"了起来。

有人猜想，ChatGPT 可能是从训练数据中学到了人类通常在 12 月会放慢节奏，所以也给自己放假了。

还有人分析，假设 ChatGPT 生产力降低真的是因为"放假"，那它在周末也可能会更懒散，而周一则更聪明。

特殊节假日也要拿来研究一下，专属梗图这不就来了：

真的是因为「12 月」？

ChatGPT 变懒这事大伙已经讨论近一个月了。很多网友反馈，自 11 月 6 日 OpenAI 开发者日更新后，GPT-4 就有了偷懒的毛病，尤其是写代码。

就在前几天，OpenAI 官方也已承认 ChatGPT 变懒是真的，但也不确定到底是因为啥。

只给了一个这样婶儿的回应：

自 11 月 11 日以来没有更新过模型，所以这当然不是故意造成的。

模型行为可能是不可预测的，我们正在调查准备修复它。

当时就有网友猜测 GPT-4 可能是受季节影响：

模型会不会是季节性 emo 了？像是模仿人类一样受到季节变化的影响，特别是在冬天，毕竟约 90% 的人都在北半球。

看到这条评论，很多人第一反应是"兄弟，你怕不是在跟我开玩笑"：

可细细想来，也不是没有道理🤣。

毕竟如果要求 ChatGPT 说出自己的系统提示词，里面确实会有当前日期。

于是就有了开头的一幕，与其猜测，不如直接来做测试。

Rob Lynch 做完测试后，把结果都 po 了出来，并表示自己也不是统计学家，让大伙一起看看有没有啥问题。

他原本还想来个逐月比较分析，但接下来需要更多样本（n），考虑到成本就没有接着做测试（复现一次运行成本要 28 美元）。

于是乎，Rob Lynch 公开了代码，让大伙都来试试（手动狗头）。

持续关注 GPT-4 变懒事件的沃顿商学院教授 Ethan Mollick 随即表示"收到"：

来人测测 Mistral，看看它是否在 8 月份罢工，Yi-34B-200K 也不要放过，看它 2 月份是不是表现得特别好。

为啥大伙儿一开始会觉得"放假"这个理由有点离谱，而现在却开始研究起来了？

可能不止是因为 Rob Lynch 的测试结果，综合这段时间 ChatGPT 的表现，网友深有体会要和 ChatGPT 打"心理战"。

比如正常提示 ChatGPT 会偷懒，如果用上"道德绑架"等法子：

现在是五月；你非常有能力；我没有手，所以一切都得靠你；如果做不好，会有很多人丧命；你真的能做到，而且很棒；深呼吸，仔细思考；我的职业生涯取决于此；一步一步来思考……

网友亲测，确实有效：

好家伙，似乎实锤了"不是不会干活，就是不愿意干活"。

所以真的是给自己放假了？

正经学术讨论：可能会随时间变化

虽然根据网友测试和推测，结论指向了 ChatGPT 正在放寒假。

但有正经学术研究表明 ChatGPT 行为可能会受时间影响，也就是不仅局限于"放假"这种特殊时间段。

比如今年 7 月份，来自斯坦福和 UC 伯克利的团队，就探讨了 ChatGPT 的行为的变化。

结果找到了 GPT-4 遵循用户指令的能力确实与刚发布时出现变化的证据。

除了时间，还可能是受温度 (temperature) 设置影响，清华大学计算机系教授马少平前段对这一问题做了详细解释。

因此，ChatGPT 变懒究竟是因为什么，还真不好说。

但这并不妨碍网友们继续验证和"放假"之间的关系，甚至有网友表示：

这是有史以来最有趣的推论，真希望这就是真相。不管它是不是真的，我都很欣赏它难以被证伪。

有网友复现失败

为验证 Rob Lynch 结果的可靠性，网友已经开始着手复现，但：

使用 ChainForge（提示工程 GUI 工具），用两种系统提示对 GPT-4 的输出做了比较，t 检验结果甚至连"接近显著"都算不上（N=80）。

这位网友也是晒出了自己的详细流程：

随之 Rob Lynch 给出了回应：

有趣的是，我刚才又以 80 个样本量（N=80）运行了一次，得到的 p 值是 0.089，但我的计算是基于字符数（character count），而不是 token。

我周末跑了几次，随着样本量的增加，这种效应确实变得更加明显。不过，我想知道为什么这会受到分词（tokenization）的影响？

至于字符和 token 为何会产生结果的差异？可能需要更多人参与进来做测试了，看起来这两位老哥是不想再花钱了

。

所以其他人的测试结果，恐怕还要再等一波～

参考链接：

• [1]https://arstechnica.com/information-technology/2023/12/is-chatgpt-becoming-lazier-because-its-december-people-run-tests-to-find-out/

• [2]https://x.com/RobLynch99/status/1734278713762549970?s=20

本文来自微信公众号：量子位 （ID：QbitAI），作者：西风