當(dāng)?shù)貢r(shí)間 30 日，OpenAI 宣布，為了衡量語言模型的準(zhǔn)確性，將開源一個(gè)名為 SimpleQA 的新基準(zhǔn)，可衡量語言模型回答簡短的事實(shí)尋求（fact-seeking）問題的能力。

AI 領(lǐng)域中的一個(gè)開放性難題是如何訓(xùn)練模型生成事實(shí)正確的回答。當(dāng)前的語言模型有時(shí)會(huì)產(chǎn)生錯(cuò)誤輸出或未經(jīng)證實(shí)的答案，這一問題被稱為“幻覺”。能夠生成更準(zhǔn)確、更少幻覺的回答的語言模型更為可靠，可以用于更廣泛的應(yīng)用領(lǐng)域。

OpenAI 表示，目標(biāo)是使用 SimpleQA 創(chuàng)建一個(gè)具備以下特點(diǎn)的數(shù)據(jù)集：

高正確性：問題的參考答案由兩名獨(dú)立的 AI 訓(xùn)練師驗(yàn)證，以確保評分的公正性。

多樣性：SimpleQA 涵蓋廣泛主題，從科學(xué)技術(shù)到電視節(jié)目與電子游戲應(yīng)有盡有。

前沿挑戰(zhàn)性：與 TriviaQA（2017 年）或 NQ（2019 年）等早期基準(zhǔn)相比，SimpleQA 更具挑戰(zhàn)性，尤其針對如 GPT-4o 等前沿模型（例如，GPT-4o 的得分不足 40%）。

高效用戶體驗(yàn)：SimpleQA 問題與答案簡潔明了，使操作快速高效，并可通過 OpenAI API 等進(jìn)行快速評分。此外，包含 4326 道問題的 SimpleQA 在評估中應(yīng)具有較低的方差。

SimpleQA 將是一個(gè)簡單但具有挑戰(zhàn)性的基準(zhǔn)，用于評估前沿模型的事實(shí)準(zhǔn)確性。SimpleQA 的主要限制在于其范圍 —— 盡管 SimpleQA 準(zhǔn)確，但它只在短查詢的受限設(shè)置中測量事實(shí)準(zhǔn)確性，這些查詢是事實(shí)導(dǎo)向的，并且有一個(gè)可驗(yàn)證的答案。

OpenAI 表示，模型在短回答中表現(xiàn)出的事實(shí)性是否與其在長篇、多事實(shí)內(nèi)容中的表現(xiàn)相關(guān)，這仍是個(gè)懸而未決的研究課題。其希望 SimpleQA 的開源能夠進(jìn)一步推動(dòng) AI 研究的發(fā)展，使模型更加可信并富有可靠性。