数学都是体育老师教的！13.11和13.8谁大？大模型翻车了
出品｜网易科技《态度》栏目
作者｜宗淑贤
编辑｜丁广胜
前几日，数学师教频频霸榜的都体的和综艺《歌手》又一次冲上了热搜。不过这次，育老荷泽市某某超声设备制造厂话题的模型焦点无关“好听”“难听”，而是翻车从台上竞演的嘉宾转移到了台下讨论的网友身上。
13.8%和13.11%哪个大？
谁也没有想到，都体的和这道本质上源于小学四年级数学内容的育老问题，居然难倒了一众网友。模型
对此，数学师教有网友感叹：“现在知道天天在网上抬杠的都体的和都是什么人了吧？”也有网友无奈回怼：“实在不知道谁大谁小，就去问问AI吧！育老荷泽市某某超声设备制造厂”
然而，模型当你真的翻车把这个问题抛给AI来解答，你会惊讶地发现——AI也不会。
AI2的研究员林禹臣在推特上贴出了自己用GPT-4o尝试的结果。面对13.11与13.8哪个大这一问题，GPT-4o认为13.11大于13.8，并解释称：“虽然13.8看起来更大，因为它小数点后的数字更少，但13.11实际上更大。这是因为13.8相当于13.80，而13.80小于13.11。”
对此，林禹臣评论说：“常识对AI来说仍然很难。”“这种常识性的人工智能失败案例让我不断想起@YejinChoinka的TED 演讲：为什么人工智能既聪明无比，又愚蠢至极。”
一、大模型的作答现场
带着这个问题，我们对当下主流模型进行了简单的测试。其中，通义千问、文心一言、360智脑、字节豆包、百小应、有道小P和讯飞星火都作出了正确的回答。不过在原因解释方面，讯飞星火略显逊色，其余模型则都是按照分开比较整数和小数部分的思路进行了较为详细的回答。
通义千问
文心一言
360智脑
字节豆包
百小应
有道小P
讯飞星火
而月之暗面旗下的kimi和ChatGPT在这一问题上则双双翻车。
当kimi被问到“13.11和13.8哪个大”时，它首先给出了13.11大于13.8的答案：
经过进一步追问原因，kimi转而又作出了截然不同的回答：
经过第三次追问，kimi终于意识到自己在此前的回答中存在错误，对这一问题的答案进行了修改纠正：
反观ChatGPT，就显得不甚善于反思：
经过两次反问，ChatGPT表示自己对此前错误的回答感到抱歉，并承认13.8大于13.11。但当询问它能否解释原因时，它却给出了这样的回答：This is because the number 13.8 is read as "thirteen point eight," which is larger than "thirteen point eleven".
二、大模型为什么会“数学不好”
回答不好小学生数学题，人工智能大模型又一次被送上了舆论的风口浪尖。面对现今蓬勃发展的各类大模型，人们仍有疑虑：
这到底是人工智能，还是人工智障？
实际上，这一问题并不是最近才出现的，“数学不好”一直是各类大模型的短板。根据上海人工智能实验室旗下司南评测体系OpenCompass进行的高考全卷测试结果，包括GPT-4在内的七个大型人工智能模型在高考语文和英语科目的测试中普遍表现出色，然而在数学科目上则均未能达到及格线，最高分也仅达到了75分。
业内人士将大模型“数学不好”的问题根源追溯至LLM（大型语言模型）的架构设计本身。
LLM通常依赖监督学习，特别是通过预测文本中下一个词的方式来训练。这一过程中，模型被投喂海量的文本数据集，学习并预测给定文本后下一个词出现的概率分布。通过不断将模型的预测与实际文本进行对比和调整，语言模型逐渐掌握了语言的内在规律，从而能够预测并生成连贯的文本。
然而在LLM的框架内，存在使用Tokenizer这一关键环节。它负责将输入的文本分割成更小的单元（tokens），以便模型处理。问题在于，Tokenizer的设计初衷并非专门服务于数学处理，因此在处理包含数字的文本时，可能会将数字看做文本字符串而非数值，从而进行不合理地拆分，导致数字的整体性和意义在模型内部被破坏。
对此，360CEO周鸿祎以9.9和9.11为例，进行了更为通俗的解释：
“大模型全称叫大语言模型，它首先解决的是对人类自然语言理解的问题。所以大模型并没有把9.9和9.11当成一个数字来看，而是把它们分成了两个token。没有经过专门特别的提示和训练，大模型是不懂阿拉伯数字也不懂数学的，所以大模型是按照一个文字的逻辑来进行比较的。9前面是一样大的，那么11比9要大，所以就得出来9.11比9.9要大。”
除了架构设计存在不足外，大模型“数学不好”或许还与它所接受的训练方式有关。主流模型的训练主要源于互联网的文本数据，这类数据中数学问题和解决方案相对匮乏，也在一定程度上限制了模型在此类技能上的发展。
因此，在各类大模型井喷式诞生与发展的现在，也许我们也应当反思：AI该如何进一步设计与训练，才能真正像人类一样思考？
延伸阅读 (责任编辑：热门资讯)
英国伦敦发生一起枪击事件 已致1死2伤
TTS新传评论赏析：西安交大优秀毕业生争议，到底在吵什么啊？？
锅包肉办公室来了，宫保鸡丁办公室还远吗？
英格兰点球5比3淘汰瑞士，总比分6比4晋级四强
A股三大股指相继转跌，全市场超3000只个股下跌-
最近微信改版，容易找不到尹哥的文章，大家记得把尹哥设为星标⭐️ 哦~坐，是人类最平常的动作，它在不经意间贯穿于我们生活的每一个片段，然而，俗话说“久坐伤肉，久卧伤气”，当“坐”成为一种长时间的固定姿态
...[详细]
-
一说到“微笑之国”，想必大家都知道是哪里了吧？还没有出发之前，就听说这里的微笑随处可见。那么真诚、那么纯粹、那么令人着迷！by Henry传言不虚，落地后在这里的每一天，都能收到千千万万遍来自不同人的
...[详细]
-
受持续强降雨影响，7月5日16时，湖南岳阳华容县团洲垸洞庭湖一线堤坝发生管涌险情。在紧急封堵失败后，17时48分许，堤坝决堤。△7月7日 《新闻30分》栏目画面 为掌握受灾区域实时情况，长光卫星
...[详细]
-
本文作者：廖张元，天津医科大学总医院内科专业副主任医师夏日炎炎，很多人选择周末睡个懒觉，以弥补平日里的睡眠不足。然而，令人困惑的是，很多人在实现了这个“睡眠梦想”后，却发现并没有迎来预想中的神清气爽，
...[详细]
-
☆为了更好地帮助大家了解本篇推送中提出的“高级词汇&专业表达”的作用，可以先看以下两段表达之间的区别。其中，第一段表达看起来虽然该说的观点也都说了，但总感觉不够专业，没有体现学科价值和壁垒，像
...[详细]
-
7月7日泰山景区管委会发布关于泰山景区暂停开放的通告经分析研判，泰山盘道、旅游公路、山顶观景平台、河道等或将出现较大范围的洪水、雷电等现象，安全隐患极大。为切实保障中外游客的安全与健康，决定自7月7日
...[详细]
-
来源：财联社 财联社7月7日电，美国太空探索技术公司创始人埃隆·马斯克5日在社交媒体X上表示，该公司新一代重型运载火箭“星舰”将在4周内进行第五次轨道试飞。“星舰”火箭总长约120米，直径约9米
...[详细]
-
随着大家的健康意识逐步提高，现在不少人每天都会抽出时间来锻炼一下身体，进行慢跑、骑行、打球或力量训练，但是很多人在运动过后立马就去洗澡，而忽略了拉筋运动。 其实拉筋也是锻炼的重要组成部分，如果少
...[详细]
-
11月13日，国务院台办举行例行新闻发布会。有记者问：近期，解放军海军首次公布了辽宁舰和山东舰双航母编队演练的画面，引起岛内各界关注。有岛内媒体称，双航母演练是在“模拟拒止美军的能力”“双航母常态
...[详细]
-
来源：澎湃新闻、荆楚网 羊城晚报综合橙柿互动、新闻晨报“对不起，昨天做了一个非常危险的动作。我也没想到那么滑，自己心里也怕。”7月6日，在上海梅赛德斯奔驰文化中心， 刘德华就首场演唱会的危险动作致歉，
...[详细]
