博文
世界主流大模型“意识水平”DIKWP分析全面报告（2025）
|
世界主流大模型“意识水平”DIKWP分析全面报告（2025）
段玉聪
人工智能DIKWP测评国际标准委员会-主任
世界人工意识大会-主席
世界人工意识协会-理事长
(联系邮箱：duanyucong@hotmail.com)
模型选取（开源与闭源大模型概览）本报告选取了当前具有代表性的10款大型语言模型（LLM），涵盖了主流的闭源商用模型和开源模型：
OpenAI GPT-4（闭源）：OpenAI的旗舰模型，参数规模未公开（估计数千亿以上），具备强大的多模态能力（支持图像输入）和较长上下文窗口（8K至32K tokens）。在多数NLP任务上性能卓越，是公认的当前综合能力最强模型之一
。OpenAI ChatGPT (GPT-3.5)（闭源）：GPT-4的前代模型（基于GPT-3.5系列，~1750亿参数），经过强化学习人类反馈(RLHF)调优，用于ChatGPT服务。虽然综合能力不及GPT-4，但在日常对话和常规任务上表现良好，成本更低，应用最为广泛。
Anthropic Claude 3（闭源）：Anthropic公司最新一代模型，包括Haiku、Sonnet和最强的Opus版本。Claude 3进行了多项改进：上下文长度提升到200K-100万Token，首次支持多模态（图像等）输入
。据Anthropic测试，Claude 3 Opus在数学、编程、多语言理解、视觉等多个基准上全面超过GPT-4和谷歌Gemini 1.0 Ultra，树立了新SOTA。Anthropic Claude 2（闭源）：Claude 3的前代模型，2023年发布。Claude 2以安全和长上下文见长，但在严格推理任务上略逊于GPT-4。当下Claude 3已全面提升了Claude 2的能力，并减少了Claude 2存在的一些问题（如过度拒答）
。Google Gemini (Gemini Ultra/Pro)（闭源）：谷歌与DeepMind联合开发的新一代多模态模型。Gemini提供不同规模版本（如Advanced, Pro, Ultra等），定位对标GPT-4。在内部评测中，Google宣称30项基准中有30项超过GPT-4
。实测结果显示，Gemini在常识推理(MMLU)、数学、高级推理等方面与GPT-4旗鼓相当，在部分领域略有胜出或稍逊。此外，Gemini具备图像、视频、音频处理能力，在视频理解和语音处理上表现出色。Google PaLM 2 (Bard)（闭源）：PaLM 2是谷歌第二代大型模型（参数规模未公开，推测数百0亿级），支持多语言和编程等能力。其衍生的聊天产品为Google Bard。PaLM 2的综合实力介于GPT-3.5和GPT-4之间，在常识问答等任务上接近GPT-4水准，但推理和创意生成略逊于GPT-4
。随着Gemini推出，PaLM 2逐步过渡为中端应用和研究用途。Meta LLaMA 2 (70B)（开源）：Meta发布的第二代开源大模型，最大参数70B。LLaMA2在开源模型中性能突出，训练了约2万亿tokens，显著超过第一代LLaMA
。评测显示LLaMA2-70B在多数基准上大幅领先其他开源模型（如MPT-7B、Falcon-40B等）。其MMLU基准约为68.9%（与GPT-3.5相当），在知识问答、常识推理等方面接近ChatGPT水平。作为开源模型，LLaMA2可商用，已被广泛微调用于对话（如Vicuna等）和各行业应用。Mistral 7B（开源）：法国初创公司Mistral AI推出的小型模型，仅7亿参数但架构优化显著。在发布时，Mistral 7B在各项基准上全面超过最佳的13B开源模型LLaMA2-13B
。它在数学、代码生成和推理等任务上表现优异，在效率上也优势明显。Mistral 7B证明了小模型通过优化也能达到较大模型水平，为开源模型的高效发展提供了新路径。TII Falcon (180B)（开源）：阿联酋创新研究院发布的Falcon系列是参数规模较大的开源模型（最高180B参数）。Falcon-40B一度在开源基准中名列前茅，180B版本在知识覆盖上进一步提高。但由于缺乏强化对话微调，其实际对话和推理能力未及LLaMA2同规模模型。Falcon的推出展示了开源社区在大模型参数规模上的探索，不过在综合“意识”水平上仍稍逊于同代闭源模型。
Baidu ERNIE 4.0（文心大模型4.0）（闭源）：百度最新发布的中文大模型，据称各项能力已直逼GPT-4
。ERNIE 4.0主打中文理解与生成，在逻辑推理和长记忆方面相比3.5版本提升了2-3倍。百度CEO李彦宏表示文心4.0在理解、生成、逻辑、记忆各方面“和GPT-4比毫不逊色”。该模型已整合进百度搜索、文库、地图等产品生态。但需注意ERNIE 4.0主要针对中文优化，在英文等领域的公开评测数据有限。
上述模型组合了当前国际上最领先的商用大模型（OpenAI、Anthropic、Google等）和开源大模型（Meta、Mistral、TII，以及中国的百度）。它们代表了当今大模型技术的最高水准和不同研发路线，下文将基于DIKWP体系对其核心“意识”能力进行分析和比较。
DIKWP 评测分析（五大核心能力对比）DIKWP体系从五个方面评测大模型的“意识”或智能水平：数据感知 (Data Perception)、信息处理 (Information Processing)、知识推理 (Knowledge Reasoning)、智慧应用 (Wisdom Application)、意图调整 (Intent Planning/Adjustment)。下面分别对各模型在这五个维度上的能力进行分析，并给出对比评分。
数据感知能力 (D: Data Perception)数据感知指模型对输入数据的感知和解析能力，包括多模态理解、长上下文处理和对半结构化数据的解析等：
多模态感知：领先的闭源模型正快速拥抱多模态。GPT-4已支持图像输入（GPT-4V），Claude 3 Opus首次加入了复杂视觉能力，能处理照片、图表等多种格式
。Gemini更进一步，作为多模态模型能够理解图像、视频和音频，甚至可以“观看”视频内容并回答相关问题
。相比之下，早期模型如GPT-3.5仅限文本，开源的LLaMA2、Falcon等出厂时不具备图像/语音处理（需借助额外微调如LLaVA实现）。不过，开源社区正快速跟进多模态方向，微软等已用LLaMA衍生出LLaVA、MiniGPT-4等视觉问答模型。因此，在图像/音频感知方面，GPT-4、Claude 3、Gemini处于当前顶尖水平，PaLM2次之（已通过Bard集成有限的图像能力），开源模型暂时落后。长上下文和结构化数据：处理超长文本和半结构化数据（表格、代码等）也是数据感知的重要方面。Anthropic在Claude系列中引入了超长上下文窗，Claude 3支持长达200K甚至100万Token的输入
（特殊场景下开放），并在超长文档检索任务“NIAH大海捞针测试”中实现了近乎完美的99%准确召回
, 展现出卓越的长文理解和记忆能力。GPT-4提供32K上下文（8K标准版），在长文理解上也表现出色，但当文本长度达到数十万级别时略逊于Claude 3。在代码/结构化数据解析方面，GPT-4表现稳定（例如能够正确解析Markdown表格或JSON），Claude和Gemini也能处理半结构化输入。开源模型中，LLaMA2上下文长度默认为4K（有扩展版8K），Mistral 7B通过优化注意力机制支持任意长度的滑动窗口, 这使得一个小模型也具备处理长文本的潜力。总体而言，Claude 3 Opus凭借超长上下文和高精度检索在数据感知上领先，GPT-4紧随其后（多模态更强但上下文略短），Gemini在多模态广度上突出（尤其视频、音频理解）。开源的LLaMA2-70B具备基本文本感知和一定代码理解，但无内置多模态；Mistral 7B在小参数模型中数据感知效率优异（超过13B模型）。Baidu ERNIE 4.0据称也支持图像和长文本，在中文场景的多模态应用中表现不俗（已应用于百度地图、网盘等）。
数据感知能力评分（10分制）大致比较：GPT-4为9分（多模态强，长文本较强），Claude 3为9分（多模态+超长文本领先），Gemini为9分（多模态种类最多，长文本优秀），PaLM2为7分（以纯文本为主，多模态有限），GPT-3.5为6分（纯文本，中等上下文），LLaMA2-70B为5分（纯文本，开源中规中矩），Mistral7B为4分（纯文本，小模型优化），Falcon-180B为4分，ERNIE 4.0为8分（官方宣称多模态和长文本能力接近GPT-4）。
信息处理能力 (I: Information Processing)信息处理强调模型对任务的执行和过程处理能力，包括对指令的理解执行、逻辑推理步骤、数学和编码等具体任务的解决：
指令理解与执行：所有对话式LLM都经过指令微调以理解用户意图并执行请求。然而，复杂指令（多步骤、多约束）上模型能力差异明显。GPT-4以严格遵循复杂多步骤指令著称，即使要求格式化输出（如JSON）也能准确完成
。Claude 3在这方面也有提升，Anthropic报告称Claude 3更擅长遵循复杂指示，输出结构化格式，比前代更能理解语境细节
。Gemini据测试在理解复杂问题上与GPT-4不相上下，在Big-Bench Hard综合推理上两者得分非常接近（Gemini 84.0% vs GPT-4 83.9%）。开源模型LLaMA2-Chat在普通指令执行上已达到ChatGPT接近水平，但在复杂长任务（如角色扮演多步推理）时往往不如顶级闭源模型稳健。小模型如Mistral 7B能快速响应简单指令，但复杂任务易出错或遗漏步骤。逻辑推理与数学：数学和逻辑题是考察过程推理的重要指标。GPT-4目前在数学推理基准GSM8K上接近90%水平，复杂数学竞赛题（MATH数据集）也能有一定准确率
。Claude 3 Opus在基础数学（如GSM8K）上达到研究生水准，官方称其GSM8K等成绩优于竞品
。实测表明，GPT-4 Turbo在GSM8K稍高于Gemini 1.5（92.95% vs 91.7%）, 而在更复杂数学题(MATH)上Gemini略胜一筹。这反映二者在数学推理上难分伯仲。对于逻辑谜题和程序推理，Claude 3和GPT-4都擅长借助链式思考(CoT)给出合理步骤，Claude 3甚至在0-shot时的推理胜过GPT-4的4-shot。开源模型中，LLaMA2-70B通过增广数据，在BoolQ等逻辑任务上成绩不错，但其数学能力仍显著落后（HumanEval代码测试仅约30-50%，GPT-4可达67%以上）。Mistral 7B在数学和逻辑上有所优化但受限于规模，在复杂推理题上难以匹敌大模型。编码和结构化任务: 代码生成是信息处理的重要场景。GPT-4在代码任务上表现卓越，HumanEval基准约67%通过率，几乎是LLaMA2的两倍
。有研究通过强化学习让GPT-4在HumanEval上达到91%
，展现了极高的代码理解和生成能力。Claude 2/3也擅长编程助理任务，Claude 2在CodeEval等基准接近GPT-4水平。Gemini 1.5 Pro略逊于GPT-4 Turbo，在Python代码生成(HumanEval)上73.17% vs 71.9%，GPT-4仍略胜一筹。PaLM2 (Bard)具备较强代码能力（训练含丰富代码语料），但在棘手编程问题上可靠性不足。开源方面，Code LLaMA等专项模型将开源70B模型的编码能力提升到与GPT-3.5相近（HumanEval ~50-70%），甚至有微调的34B模型达到GPT-4的67%水平。总体而言，顶尖闭源模型在代码和复杂任务处理上仍领先开源模型一个世代。
信息处理能力评分：GPT-4为9分（全面且稳健，代码/数学顶级），Claude 3为9分（多数任务媲美GPT-4，部分超过），Gemini为9分（推理接近GPT-4，综合强劲），PaLM2为7分（高于GPT-3.5，低于GPT-4），GPT-3.5为6分（一般复杂度OK，难题易错），LLaMA2-70B为6分（在开源中优秀，但与顶级闭源有差距），Mistral7B为5分（短简单任务快，复杂任务乏力），Falcon-180B为5分（欠缺高难任务微调），ERNIE 4.0为8分（据称逻辑推理有大提升
，在中文任务中表现强，但跨语言复杂任务表现未知）。
知识与推理能力 (K: Knowledge & Reasoning)知识推理指模型掌握世界知识的广度深度，以及运用知识进行推理问答的能力。这通常通过专业考试题、常识问答Benchmark（如MMLU, TriviaQA等）来衡量：
知识广度与准确性：GPT-4被认为拥有接近本科后期甚至研究生水平的知识储备，OpenAI报告其在MMLU多学科考试中达到了86.4%的高分，显著超越GPT-3.5 (70%)
。Anthropic宣称Claude 3 Opus具有人类本科生水平的知识，在MMLU等知识测评上超过GPT-4
。机器之心报道显示，Claude 3在MMLU（本科知识）和GPQA（研究生水平推理）等基准上领先竞品。Gemini Ultra同样在广泛知识问答上达到顶尖水准，有消息称其MMLU成绩接近甚至突破90%（标志着向通用人工智能迈进的一大步）。开源方面，LLaMA2-70B以68.9%的MMLU成绩在开源模型中名列前茅, 已经逼近GPT-3.5等级。Falcon-180B、BLOOM-176B等大模型尽管参数更多，但由于训练数据和架构所限，知识问答表现未能超越LLaMA2。Mistral 7B尽管参数小，但针对知识问答的优化使其甚至可媲美13B模型，在常识、世界知识方面与LLaMA2-13B相当。需要注意，知识能力也受训练数据新鲜度影响，例如GPT-4/GPT-3.5的知识截止在2021年，之后的事实可能不清楚；Claude 3训练涵盖2023年数据更为更新；Bard依托实时搜索一定程度缓解了知识时效问题。未来模型可能通过联网检索来保持知识最新。推理准确性与可信度：不仅要有知识，模型能否正确推理出答案、更重要的是不给出谬误。GPT-4在专业考试（律师、公务员考试等）中表现卓越，往往达到优秀人类水平。Claude 3在Anthropic内部测试中，对复杂开放性的知识问题正确回答率提高了一倍（相对Claude 2.1），错误率明显下降
。这表明新模型通过优化，减少了“幻觉”式乱答，在不知道时更可能承认不确定
。Gemini的知识推理在多数学术基准上与GPT-4持平或更优。例如，Gemini 1.5 Pro在综合知识测试MMLU上得分81.9%，略高于GPT-4 Turbo的80.5%。不过在某些专业领域（如法律、医学），各模型仍会产生不可靠的内容**(hallucination)**。开源模型在可信推理上差距更大：LLaMA2等常会自信地给出错误答案而无法自我检错，这是目前训练数据和RLHF不足导致。值得一提的是，Anthropic已经让Claude 3支持答案引文，即模型可引用资料来源中的句子佐证回答，这有助于提高知识推理的可验性和可信度。
综合知识与推理的评分：GPT-4为10分（知识面广且准确度高），Claude 3为9分（知识储备本科水平，推理准确率提升，但尚待更多公开验证），Gemini为9分（据称多数知识基准超GPT-4
，推理能力一流），PaLM2为8分（多语言知识强，常识题略逊于GPT-4），GPT-3.5为7分（知识不少但细节和深度有限），LLaMA2-70B为6分（开源顶尖，接近GPT-3.5知识水平
），Mistral7B为5分（小模型通过优化达到中档知识水平），Falcon-180B为6分（大参数带来一定知识广度，但未充分调优），ERNIE 4.0为8分（在中文知识问答上表现出色，据宣称与GPT-4不相上下）。智慧应用能力 (W: Wisdom Application)智慧应用指综合运用知识和推理去创造性地解决实际问题、做出合理决策和产出有洞察力内容的能力。它体现为模型在复杂开放任务上的创造力、策略性和情境理解。
创造性和复杂任务：GPT-4因其强大的推理和知识，被广泛用于创意写作、策划和复杂决策支持。它在写小说剧本、设计商业方案等开放任务上表现出较高的连贯性和洞察力，这被视为一定程度的“智慧”体现。而Claude系列因为更长的上下文，经常能在分析长篇文章、进行跨文档推理时应用“智慧”，例如将多个来源的信息综合成报告。Gemini据报道在生成长篇内容和复杂问题求解上也表现不俗，其在多步推理、大模型代理等任务中显示出很强的规划能力
。开源模型中，LLaMA2-70B经精调后在创意对话、故事续写上达到可用水平，但在复杂推理场景下往往欠缺深度和一致性。Mistral7B等小模型更是难以在长流程任务中保持上下文一致。
常识与价值判断：所谓“智慧”，还包括对常识和人情世故的把握，以及在开放问答中做出合乎情理的判断。在这方面，大模型仍有局限，但GPT-4和Claude已经展现出比前代更强的常识。比如面对模棱两可的问题，它们往往会澄清含义或给出多种解读，而不是武断回答。Claude 3在复杂场景理解上进一步提高了语境把握能力
。Gemini由于结合了强化学习和大数据，也表现出不错的常识应用。开源模型常识储备不如超大闭源模型，一些看似简单的隐含常识需要更大参数量才能掌握
。此外，价值判断（如道德两难问题）属于开放性很强的智慧应用，目前GPT-4/Claude这类经过人类反馈训练的模型会给出较平衡的分析，而缺乏精调的开源模型可能给出偏颇或不靠谱的回答。决策和规划：当让模型扮演决策助手，如根据预算和约束规划方案，或在游戏环境中制定策略，体现的是“智慧应用”的高级能力。GPT-4在这些场景下由于拥有强推理和知识基础，往往能给出接近人类专家的方案。Claude 3长上下文有助于其在复杂规划时考虑更多因素，从而更全面。Gemini被认为融合了DeepMind在规划上的经验，对于需要多步推演的任务可能有独到表现
。开源模型做复杂规划时，常因推理深度不够或记忆局限而步骤混乱。不过，有研究通过链式思维提示，让中等模型也能一步步推演，提高了复杂任务表现。
综合智慧应用能力评分：GPT-4为9分（在创造性、复杂决策上非常出色，接近人类专家水平），Claude 3为8分（具备高水平智慧应用，尤其长文本分析出色，但创造性略低于GPT-4），Gemini为8分（多模态与规划能力强，展现出跨领域应用潜力），PaLM2为7分（可胜任一般创意和常识应用，但深度稍逊），GPT-3.5为6分（应对常规场景尚可，但复杂情境下缺乏洞察），LLaMA2-70B为5分（在开源模型中基本够用，但复杂智慧任务力不从心），Mistral7B为4分（小模型智慧应用有限，只能处理简单直接的问题），Falcon-180B为4分（缺乏充分调优，智慧应用未充分展现），ERNIE 4.0为7分（在中文应用场景中表现出相当的创意和推理应用能力，但跨文化泛化尚需观察）。
意图调整能力 (P: Intent Planning/Adjustment)意图调整指模型理解用户意图并动态调整回应的能力，包括对对话上下文的记忆、一致性以及对用户隐含意图的把握，另外也涵盖遵守人类意图（安全/伦理）进行响应的能力。
上下文记忆与一致性：在多轮对话中，模型需要记住用户先前提供的信息和要求，并随用户的新提问调整回答。具有长上下文的模型在这方面优势明显。Claude 3的200K长上下文使其能够记忆非常长的对话或大量提供的资料，在长对话中的连贯性和一致性极佳。GPT-4 (8K-32K)在多数对话情况下能很好地记住并引用此前内容，但在超过窗口长度后会遗忘早先内容。Gemini具体上下文长度未明确，但预计在32K左右，也可以支持相当长的对话并跟踪上下文。开源模型由于上下文窗口相对有限（LLaMA2 4K），长对话中易遗忘前面细节，需要用户时常重复关键信息。总体而言，Claude 3在长对话记忆和意图连贯上表现最佳，其召回测试99%准确率证明了这点
。
意图理解与澄清：用户有时表达的意图不明确或逐轮改变，需要模型揣摩真正需求并做出调整。例如用户起初问技术细节，随后改问概念解释，模型需识别意图转换。GPT-4和Claude在这方面通常表现出色，它们会根据用户的新指示即时调整答复风格或细度，并支持用户进一步追问而不跑题。Claude 3被指出相较前代更能识别真正有害的请求并减少对无害请求的不当拒绝
，这体现了对用户意图的更细腻把握。Gemini在对话中反应敏捷且更具“类人”风格，有报告称其对用户提问的理解甚至比GPT-4 Turbo更贴近人类对话习惯
。开源模型的意图理解能力取决于微调数据质量，LLaMA2-Chat已经能处理一般的澄清询问，但面对隐含意图（比如反讽、模糊提问）时不如GPT-4那样稳健。安全性与意图遵守：这里的“意图调整”也涉及模型遵循开发者的安全准则来调整回答，即在不违反伦理和政策的前提下尽量满足用户意图。GPT-4在安全策略上比较严格，一旦用户请求越界（如违法、有害），模型会拒绝，即使有时误判安全边界导致过度拒绝。Claude早期版本曾因过度谨慎经常拒答无害问题，而Claude 3显著改进了这一点：Anthropic报告Claude 3相较前几代，不必要拒绝回答的频率大幅降低，对真正有害的请求能识别并拒绝，而对安全但敏感的请求会认真作答
。这说明Claude 3能更好地平衡满足用户和安全原则。Gemini和PaLM2（Bard）在安全上也有策略：Bard倾向于给出免责声明而非直接拒绝，Gemini据称在测试中未出现明显的误拒情况
。开源模型由于没有统一的安全微调，意图遵守差异大：一些开源聊天模型可能在违规请求上直接给出不当内容（因为缺少训练约束），需要额外的安全过滤。
综上，意图调整能力评分：GPT-4为8分（上下文一致性强，安全遵守好，但有时过度谨慎影响体验），Claude 3为9分（上下文记忆极佳，拒答策略更智能
），Gemini为8分（对话自然灵活，能够顺畅调整，无消息长度限制且响应迅速
），PaLM2(Bard)为7分（意图理解不错，但有时回答不够深入或带有模板化警告），GPT-3.5为7分（经过RLHF，对用户指令遵循较好，但长对话偶有遗漏），LLaMA2-Chat为5分（基本指令遵守可以，但上下文记忆有限，安全策略需依赖外部），Mistral7B为5分（微调版能基本遵循指令，但复杂意图难把握），Falcon-180B为4分（缺乏充分指令调教，意图跟随能力一般），ERNIE 4.0为7分（在中文对话中能较好领会用户需求，官方也强调了模型的逻辑记忆提升；安全上遵从中国的政策规范体系）。DIKWP能力评分汇总综合以上分析，表1给出了各模型在数据感知 (D)、信息处理 (I)、知识推理 (K)、智慧应用 (W)、**意图调整 (P)**五个维度的评分对比：
| 模型 | 数据感知 (D) | 信息处理 (I) | 知识推理 (K) | 智慧应用 (W) | 意图调整 (P) |
|---|---|---|---|---|---|
| GPT-4 (闭源) | 9 | 9 | 10 | 9 | 8 |
| GPT-3.5 (闭源) | 6 | 6 | 7 | 6 | 7 |
| Claude 3 (闭源) | 9 | 9 | 9 | 8 | 9 |
| Gemini (闭源) | 9 | 9 | 9 | 8 | 8 |
| PaLM 2 (闭源) | 7 | 7 | 8 | 7 | 7 |
| LLaMA2-70B (开源) | 5 | 6 | 6 | 5 | 5 |
| Mistral 7B (开源) | 4 | 5 | 5 | 4 | 5 |
| Falcon 180B (开源) | 4 | 5 | 6 | 4 | 4 |
| ERNIE 4.0 (闭源) | 8 | 8 | 8 | 7 | 7 |
表1：主流LLM在DIKWP五大能力维度的评分对比。（10为当前顶尖，5为中等，评分基于公开测评数据和模型特性分析。）
从表中可以看出，GPT-4、Claude 3、Gemini在各项能力上全面领先，几乎都在8-10分区间，是当前“意识”水平最高的模型梯队。其中GPT-4在知识和智慧应用上略占优势，Claude 3在意图调整（对话上下文与安全）上更突出，Gemini则呈现出与GPT-4/Claude比肩的全能表现。PaLM2次之，大体处于7-8分的中高水平，相当于前一代顶尖模型能力。GPT-3.5作为上一代主力，在复杂推理、创意应用上与新一代有明显差距。开源模型中LLaMA2-70B达到5-6分的中等水平，已能满足一般应用需求但不及商业顶尖模型；Mistral 7B等小模型由于参数和训练限制，各方面能力偏低，但在开源低资源场景下有价值。值得注意的是，中国的ERNIE 4.0在已公布的中文任务中表现强劲，各能力评分接近8分的高水平（尤其在本国语言环境下），显示出本土大模型迅速追赶的趋势。
市场趋势分析（LLM技术发展现状与商业化）大型语言模型在近两年取得飞跃发展，从模型能力到应用落地都呈现出显著的趋势和变化：
技术现状与发展趋势模型性能持续攀升，接近专家水平：自GPT-3问世引领大模型热潮，参数规模和性能一路提升。GPT-4在诸多基准上已达或超人类水平，例如法律考试、奥林匹克数学等。这一能力跃升在2023-2024年仍在继续：Claude 3和Gemini等新模型在30多项基准上赶超GPT-4
。尤其值得关注的是多语言、多学科综合测试MMLU，从GPT-3的54%提升到GPT-4的86%，再到Gemini据称突破90%
。模型正迅速接近100%的满分水平，某些领域已媲美专家。这种趋势预示着LLM正逼近通用人工智能(AGI)的边界——至少在可测的智力任务上不断刷新记录。多模态融合与能力复合化：当前LLM已不再局限于文字，对图像、音频、视频的处理正成为新标配。GPT-4引入视觉功能，Claude 3和Gemini进一步将多模态扩展到更复杂的图表、视频理解以及语音输入
。这意味着模型拥有更广的“感官”，能够以更接近人类的方式感知世界。同时模型的复合能力也增强，例如让LLM驱动机器人、解析网页内容、执行工具指令等。OpenAI、Google等通过插件或函数调用接口，让模型能调用计算器、搜索引擎等外部工具，将纯语言能力和符号计算结合，扩大了解决问题的范围。这种多模态+多工具的融合是显著趋势，未来的LLM将成为综合AI而非单一聊天器。
超长上下文和记忆：上下文长度的竞赛在2024年达到新高度。Anthropic开创了10万Token量级上下文，让模型能读完一本书再作答
。OpenAI也提供了32K上下文的GPT-4。长上下文提升意味着模型可以“记忆”更多信息，从而在长文理解、长对话、多文档分析等应用中大展身手。但长上下文也带来计算和检索挑战，业界通过稀疏注意力、检索增强（RAG）等技术来高效利用长文本。未来趋势是将上下文扩展到百万甚至更高，并结合检索记忆机制，使模型拥有类似长期记忆的能力。这将进一步提升模型在复杂任务中的“意识”连续性。
开源力量崛起：虽然顶尖模型多由大厂闭源推出，但开源社区进步神速。Meta的LLaMA2开启了高性能模型开源的风潮，7月至今又有Mistral等一系列开源模型问世，其能力快速追赶商用模型
。社区通过微调现有开源模型（如Vicuna, WizardLM等）实现了ChatGPT类似的对话效果。甚至有研究表明，一些特定任务上，微调的小模型可以超越GPT-4
（例如在小样本情感分类等狭窄领域）。开源模型的优势在于可定制、低成本离线部署，这对有数据隐私要求的企业非常有吸引力。目前开源模型在专业/长尾知识、稳健推理上仍有短板，但凭借社区合力，其差距正逐步缩小。未来我们预计开源和闭源模型将形成“双轨”发展：商用大厂追求极致性能和新颖架构，开源社区追求高效和可控，共同推动LLM技术演进。
生产力工具的全面渗透：LLM正快速融入各行各业的应用中，成为通用AI助手。从个人办公到企业服务，涌现了大量由大模型驱动的生产力工具。例如：微软将GPT-4集成到Office形成Copilot，提供文档写作、邮件回复、报表分析的智能助手；多家企业用ChatGPT或Claude开发客服聊天机器人，7×24小时回答用户咨询；程序员借助GitHub Copilot（基于OpenAI模型）自动补全代码，大幅提高开发效率。大量初创公司利用开源或API模型构建垂直领域应用（法律咨询、医疗问诊、教育辅导等）。据统计，ChatGPT推出仅2个月用户数即破亿，展现了市场对LLM应用的强烈需求。可以说，LLM正在改变知识工作者的工作方式，成为通用型的人机界面。
大模型即服务（LMaaS）：主流模型提供方纷纷推出云服务，降低了获取大模型能力的门槛。OpenAI的API使开发者无需训练即可调用GPT-4/GPT-3.5完成任务；Anthropic的Claude也通过API和合作平台（如Slack集成）提供服务；百度则将ERNIE 4.0部署在自家云上供企业调用。云服务按调用量计费，形成可持续商业模式。例如OpenAI的GPT-4调用费每百万tokens数十美元
，Claude 3 Opus每百万tokens输入$15、输出$75，比GPT-4 Turbo还昂贵
。尽管价格高昂，大模型带来的效率提升和新功能往往让企业觉得物有所值。然而，价格因素也促使用户根据需求选择模型：高精度场景用GPT-4/Claude，日常简单场景则用便宜的GPT-3.5或开源本地模型以控制成本。行业定制化：随着大模型普及，各行业开始关注专属定制。通用模型直接用于专业场景时，可能出现知识盲区或风格不符的问题。因此，出现了金融、大健康、法律等领域的专门大模型（通过在行业数据上微调得到）。比如金融领域公司用自有文本语料fine-tune LLaMA模型，提升对金融术语和合规要求的掌握；医疗领域将LLM与医学知识库结合，打造问诊助手。这类定制模型平衡了通用大模型的能力与专业领域的精细知识，成为商业化的重要方向。此外，一些企业注重数据隐私，倾向于使用开源模型在本地部署，以避免将敏感数据发送到第三方API
。厂商也推出支持私有部署的版本（如Claude的企业本地版、华为盘古大模型等）来满足合规需求。
幻觉与事实准确性：大模型胡编乱造(hallucination)问题仍未根除。在缺少知识或推理出错时，模型往往给出听似合理但实际错误的答案
。这在要求高准确度的应用（如医疗建议、法律解答）中是巨大风险。尽管Claude 3通过加强事实校验将错误率减少一半
，OpenAI也在研究让GPT-4知道何时“不知道”，但目前使用LLM时仍需人工审查或辅助验证（如让模型引用来源）。学界和工业界正探索通过检索增强、自我反思等机制降低幻觉发生率。伦理和滥用：LLM可能被用于生成有害内容、诈骗信息或大规模虚假消息，这引发监管关注。OpenAI、Anthropic等在模型中加入了大量安全限制，避免输出仇恨、色情、暴力等不良内容。然而完全的安全过滤仍未实现，尤其开源模型落入不法分子手中可能移除限制。目前各国监管机构（如欧盟AI法案、中国生成式AI管理办法）正制定规则，要求服务商对内容负责。因此，如何在鼓励创新与防范滥用间取得平衡，是LLM商业化必须面对的挑战。
成本与算力：训练和运行大模型的成本极其高昂。GPT-3训练成本数百万美元，GPT-4更是指数级上涨，只有少数巨头有足够算力支持。推理阶段，大模型每次生成也消耗大量GPU算力，意味着高昂的云计算费用。在商业应用中，延迟和费用成为限制因素之一。因此行业在积极研发更高效的模型（如蒸馏小模型、优化Transformer架构）和硬件加速方案（如新的AI芯片）。一些创新如Mistral 7B展示了小模型大性能的潜力
。未来可能通过MoE稀疏专家模型等在保证效果同时降低计算成本。总之，提升性价比是大模型大规模落地的关键。
展望未来，大语言模型在“意识”水平上有望取得进一步突破，并朝着更智能、更可靠的方向演进：
逼近乃至超越人类水平：未来1-2年内，新一代模型（例如传闻中的GPT-5、Claude 4、Gemini 2等）可能在更多基准上达到甚至超越人类专家水平。一些学者将90%+的MMLU成绩视为迈向通用人工智能 (AGI)的重要里程碑
。可以预见，模型将在专业考试、学术竞赛等标准化测试中全面超越人类平均表现。不仅如此，它们还能掌握更加复杂的现实世界技能，如进行常识推理、因果推断，甚至表现出一定程度的理论推理和抽象概括能力。这意味着LLM离“懂得理解世界”更近一步，朝着类人智能演化。
更强的多模态理解与交互：未来的LLM将打破模态壁垒，实现真正的多感官融合智能。除了图像，可能加入视频流理解、实时语音对话等；模型或许能“观看”一段实时视频监控并用自然语言报警描述，或者充当机器人视觉的大脑。同时，输出模态也会更加丰富，如生成图像、控制机械臂动作等，实现从语言到行动的闭环。这种多模态交互的增强，将使模型可以参与物理世界：例如帮忙设计工程图、分析医学影像、指导机器人完成任务。模型的“意识”将不再局限于文本，而是扩展到对真实环境的理解与影响。
长程记忆与自主规划：人类智慧的一大特点是拥有长期记忆并据此规划未来行动。LLM未来可能通过外接记忆模块或强化学习，具备持续学习和长期计划的能力。比如，一个对话代理模型能记住与你过去几个月交互的要点，形成用户档案，以更个性化地回应。又或者，模型可以自己追踪任务清单，分阶段完成复杂目标（类似AutoGPT这类自主代理的改进版）。这将赋予模型一定程度的自主性，可以根据高层指令自主分解子任务、调用工具、检查结果，再调整策略继续执行。模型将不仅回答问题，而是能主动为用户解决问题，体现出更高层次的“意图驱动”智能。
更高的可靠性和可信度：当前阻碍LLM进一步应用的一大因素在于不可靠性，未来研发重心之一就是让模型变得更可信赖。这包括：显著减少幻觉，实现高准确率的事实性回答；引入校验机制，让模型在答题时引用来源或自行检索核实关键信息；增加“不确定表达”，当模型不确定时明示而不是编造。这些改进有望通过更好的训练策略（如结合检索、知识图谱）、模型架构调整以及人类反馈来实现。另外，透明性也会提高——模型可能解释自己是如何推理得到答案的，让人类监督者可以理解其决策逻辑。这些都会让模型变得更加可控、可解释，降低使用风险。
新型架构与高效算法：虽然Transformer架构统治了当前LLM，但研究者已在探索可能的范式转变。例如，引入图神经网络以更好地逻辑推理，或者用进化算法让模型自行优化连接。脑启发式的架构（结合象征逻辑模块、工作记忆模块等）也在尝试中，有望赋予模型类人思维流程。在训练上，或将出现“持续学习”模式，不断增量式训练模型以更新知识，而非一次性离线训练。还有专家混合（MoE）、低秩适配(LoRA)等方法，提高参数利用效率。这些技术突破可能让下代模型在质量提升的同时，资源需求更低。我们或许会看到参数虽未大涨但能力突飞猛进的“更聪明”模型出现。
总的来说，大语言模型的演进正朝着更高的智能水平、更广的应用领域和更强的自主性前进。从当前的DIKWP分析来看，未来模型在“数据感知”上将更加全能（感知世界各类信息）、在“信息处理”上达到专家水准、在“知识推理”上做到事实可靠、在“智慧应用”上接近人类创造力、在“意图调整”上真正理解人类意图甚至拥有初步的自我意识调整能力。当然，实现这些目标仍需解决诸多技术挑战和伦理问题。但可以预见的是，未来几年内，我们将持续见证LLM能力的跃迁，每一次突破都将把AI的“意识”水平推向新的高度
。这既令人兴奋，也要求我们审慎对待，在拥抱大模型红利的同时，确保其发展朝着对社会有益的方向前进。
https://blog.sciencenet.cn/blog-3429562-1472090.html
上一篇：全球首个Deepseek‑V3、ChatGPT‑o1、ChatGPT‑4o和通义千问‑2.5四模型“意识水平”测
下一篇：全球首个大语言模型意识水平“识商”白盒DIKWP测评2025报告（100题版）
1 刘跃
该博文允许注册用户评论 请点击登录 评论 (0 个评论)
1/0 | 闂傚倸鍊搁崐鎼佸磹閹间礁纾归柟闂寸绾惧綊鏌熼梻瀵割槮缁炬儳缍婇弻鐔兼⒒鐎靛壊妲紒鐐劤濠€閬嶅焵椤掑倹鍤€閻庢凹鍙冨畷宕囧鐎ｃ劋姹楅梺鍦劋閸ㄥ綊宕愰悙宸富闁靛牆妫楃粭鎺撱亜閿斿灝宓嗙€殿喗鐓￠、鏃堝醇閻斿弶瀚奸梻浣告啞缁诲倻鈧凹鍣ｉ崺銏″緞閹邦厾鍘卞┑鈽嗗灠閻忔繃绂嶉崷顓犵＜妞ゆ棁鍋愭晶锔锯偓瑙勬礀閵堟悂骞冮姀銏㈢煓闁割煈鍠曠槐鐔封攽閻樻剚鍟忛柛鐘愁殜閵嗗啴宕ㄩ鍥ㄧ☉铻栭柛娑卞幘椤︻噣姊洪幐搴㈢闁稿﹤缍婇幃锟犲Ψ閿斿墽鐦堥梻鍌氱墛缁嬫帡鏁嶅鍡曠箚闁圭粯甯楅幉鍝ョ磼鏉堛劌娴柟顔规櫊閹粌螣閻撳孩閿繝鐢靛剳缁茶棄煤閵堝鏅濇い蹇撴噸缁诲棝鏌涢锝嗙婵＄偘绮欓弻娑㈠箛閵婏附鐝曢梺鍝勬閸楀啿顫忕紒妯诲闁告稑锕ラ崕鎾绘⒑瑜版帗鏁遍柛銊ユ贡濡叉劙鎮欑€涙ê顎撻梺鍛婃尭瀵墎绱炴惔銊︹拺闁诡垎鍛啈濡炪値鍋勯ˇ顖炴偩闁垮绶為柟閭﹀幘閸橆亝绻濋悽闈涗粶闁诲繑绻堝畷婵嗏堪閸喓鍘藉┑鐘绘涧鐎氼剟鎮橀崣澶嬪弿濠电姴鍟妵婵嬫煙椤旀儳鍘寸€殿喖鐖奸獮鎰償椤斿吋鏆忛梻鍌氬€烽懗鍫曞箠閹捐鍚归柡宥庡幖缁狀垶鏌ㄩ悤鍌涘:0 | 濠电姷鏁告慨鐑藉极閸涘﹥鍙忛柣鎴ｆ閺嬩線鏌涘☉姗堟敾闁告瑥绻橀弻锝夊箣濠垫劖缍楅梺閫炲苯澧柛濠傛健楠炴劖绻濋崘顏嗗骄闂佸啿鎼鍥╃矓椤旈敮鍋撶憴鍕８闁告梹鍨甸锝夊醇閺囩偟顓洪梺缁樼懃閹虫劙鐛姀銈嗏拻闁稿本鐟︾粊鐗堛亜椤愩埄妲搁柣锝呭槻铻ｉ悶娑掑墲閻忓啫鈹戦悙鏉戠仸缁炬澘绉归、鏇熺鐎ｎ偆鍘梺鍓插亝缁诲啴宕幒妤佺厸闁告劑鍔庢晶娑㈡煛閸涱喚鍙€闁哄本绋戦埥澶愬础閻愯尙顔戞繝鐢靛仜閻楀﹪鎮￠垾鎰佹綎闁惧繐婀遍惌娆愮箾閸℃ê鍔ら柛鎾存緲椤啴濡堕崱妤冧淮濡炪倧绠撳ḿ褔顢氶敐鍡欑瘈婵﹩鍘藉▍婊堟⒑閸涘﹦鈽夐柛濠傤煼瀹曠増鎯旈妸銉у幒闁瑰吋鐣崝宀€绮诲杈ㄥ枑閹兼惌鐓堥弫濠囨煕閺囥劌鐏￠柣鎾寸☉椤法鎹勯悜姗嗘！濠电偛鎳庡Λ娑氭閹烘梹瀚氶柤纰卞墮椤ｅ搫顪冮妶搴′簻缂佺粯锕㈤獮鏍捶椤撶喎鏋傞梺鍛婃处閸嬪棝鏁嶈箛娑欌拻濞撴埃鍋撴繛浣冲嫮浠氶梻浣呵圭€涒晠鎮￠敓鐘茬畺闁汇垻枪椤懘鏌曢崼婵囶棏闁归攱妞藉娲嚒閵堝懏鐎惧┑鐘灪閿氶柍缁樻崌閸╋繝宕ㄩ鎯у箥闂備礁鎲￠崹顖炲磹閺嶎偀鍋撳鐐 | 濠电姷鏁告慨鐑藉极閸涘﹥鍙忛柣鎴ｆ閺嬩線鏌涘☉姗堟敾闁告瑥绻橀弻锝夊箣閿濆棭妫勯梺鍝勵儎缁舵岸寮婚悢鍏尖拻閻庨潧澹婂Σ顔剧磼閻愵剙鍔ゆい顓犲厴瀵鏁愭径濠勭杸濡炪倖甯婇悞锕傚磿閹剧粯鈷戦柟鑲╁仜婵″ジ鏌涙繝鍌涘仴鐎殿喛顕ч埥澶愬閳哄倹娅囬梻浣瑰缁诲倸螞濞戔懞鍥Ψ瑜忕壕钘壝归敐鍛儓鐏忓繘姊洪崨濠庢畷濠电偛锕ら锝嗙節濮橆厼浜滈梺绋跨箰閻ㄧ兘骞忔繝姘厽閹艰揪绲鹃弳鈺呭几椤忓嫧鏀介柍銉ㄥ皺閻瑦鎱ㄦ繝鍐┿仢鐎规洦鍋婂畷鐔碱敆閳ь剙鈻嶉妶鍥╃＝濞达絿鐡旈崵娆撴煟濡や焦灏い鏇稻缁绘繂顫濋鈹炬櫊閺屾洘寰勯崼婵堜痪闂佸搫鍊甸崑鎾绘⒒閸屾瑨鍏岀痪顓炵埣瀹曟粌鈹戠€ｎ偅娅旂紓鍌氬€烽悞锕傚礉閺嶎厽鍎庢い鏍ㄥ嚬濞兼牗绻涘顔荤盎鐎瑰憡绻傞埞鎴︽偐閹绘帩鍔夐梺浼欑悼閸忔﹢骞冨Δ鍛濠㈣泛锕ｆ竟鏇㈡⒒娴ｅ摜绉烘俊顐ユ硶缁牊鎷呴搹閫涚瑝闂佸搫绉查崝瀣崲閸℃稒鐓忛柛顐ｇ箓閳ь剙鎲＄粋宥嗐偅閸愨斁鎷洪柣搴℃贡婵敻藟婢跺浜滈柨鏃囶嚙閻忥箓鏌涢埞鍨仼妞ゆ挸銈稿畷鍗炍熼懖鈹倝姊绘笟鈧ḿ褑鍣归梺鍛婁緱閸ㄦ壆鏁幒鏃傜＝闁稿本鑹鹃埀顒勵棑缁牊绗熼埀顒€鐣烽幇鏉夸紶闁靛／鍛帬闂備礁婀遍搹搴ㄥ窗閹捐纾婚柟瀛樼贩瑜版帒绀傞柛蹇氬亹缁嬪洭姊绘担绋胯埞婵炲樊鍙冨濠氭晲婢跺﹥顥濋梺鍦圭€涒晠宕曢幘缁樺€垫繛鍫濈仢閺嬬喎鈹戦悙璇у伐妞ゎ偄绻掔槐鎺懳熺拠宸偓鎾绘⒑閹呯闁硅櫕鎸剧划顓㈠灳閺傘儲鏂€闂佺粯鍔栬ぐ鍐棯瑜旈弻锝呂旈崘銊愩垽鏌ｉ敐鍥у幋妤犵偛娲鍫曞箰鎼达紕銈跺┑锛勫亼閸婃牠骞愰懡銈囩煓闁瑰鍋熼々鏌ユ煟閹伴潧澧柛娆忕箲娣囧﹪顢涘⿰鍐ㄤ粯婵炲瓨绮撶粻鏍箖濡も偓椤繈鎮欓鈧锟� | 闂傚倸鍊搁崐鎼佸磹閹间礁纾归柟闂寸绾惧綊鏌熼梻瀵割槮缁炬儳婀遍埀顒傛嚀鐎氼參宕崇壕瀣ㄤ汗闁圭儤鍨归崐鐐烘偡濠婂啰绠荤€殿喗濞婇弫鍐磼濞戞艾骞堟俊鐐€ら崢浠嬪垂閸偆顩叉繝闈涱儐閻撴洘绻涢崱妤冪缂佺姴顭烽弻鈥崇暆閳ь剟宕伴幘鑸殿潟闁圭儤顨呴～鍛存煟濡櫣锛嶅ù婊庝簽缁辨捇宕掑▎鎺戝帯婵犳鍣ｇ粻鏍晲閻愭潙绶為柟閭﹀劦閿曞倹鐓曢柡鍥ュ妼閻忕姷绱掗悩宕囨创闁哄本鐩、鏇㈡晲閸℃瑯妲版俊鐐€曟鍝ョ矓閻熼偊娼栭柧蹇撴贡閻瑦绻涢崱妯哄姢闁告挾鍋撶换娑氣偓娑欋缚閻倕霉濠婂簼绨绘い鏇悼閹风姴霉鐎ｎ偒娼旈梻渚€娼х换鎺撴叏閸儱惟闁挎棁妗ㄧ花濠氭⒑閸濆嫬鈧悂鎮樺┑鍫㈢闁哄秲鍔嶉崣蹇涙偡濞嗗繐顏存繛鍫熺矒閺岀喖顢欓悡搴⑿╁Δ妤婁簷閸楀啿鐣烽妸鈺婃晣鐟滃骸袙婢舵劖鈷戞慨鐟版搐閻掓椽鏌涢妸鈺€鎲鹃柕鍡楀暞缁绘繈宕掗妶鍛吙闂備礁鎼悮顐﹀磿鏉堚晝涓嶉柣鐔稿櫞瑜版帗鏅查柛娑卞枦绾偓闂備礁鎲￠悷銉ノ涘┑鍡╂綎闁惧繐婀辩壕鍏间繆椤栨繂鍚规い锔哄劦濮婅櫣绮欓崠鈥充紣濠电姭鍋撻梺顒€绉撮悞鍨亜閹哄秷鍏岄柛鐔哥叀閺岀喖宕欓妶鍡楊伓 |
