起猛了，GPT-4o被谷歌新模型超越了！
历时一周，超1,2000人匿名投票，Gemini 1.5 Pro（0801）代表谷歌首次夺得lmsys竞技场第一。（中文任务也第一）
而且这次还是双冠王，除了总榜（唯一分数上1300），在视觉排行榜上也是第一。
Gemini团队的关键人物Simon Tokumine发文庆祝称：
(这一新模型）是我们制作过的最强大、最聪明的Gemini。
一位Reddit用户也称该模型“非常好”，并表示希望其功能不会被缩减。
更多网友兴奋表示，OpenAI终于受到挑战，要发布新版本来反击了!
ChatGPT官方账号也出来暗示着什么。
一片热闹之际，谷歌AI Studio产品负责人宣布该模型进入免费测试阶段：
可在AI studio免费使用
网友：谷歌终于来了！
严格来说，Gemini 1.5 Pro（0801）其实不算新模型。
该实验性版本建立在谷歌2月发布的Gemini 1.5 Pro基础之上，后来1.5系列将上下文窗口扩展到了200万。
随着模型更新，这命名也是越来越长了，也引起人们一片吐槽。
这不，一位OpenAI员工祝贺之余不忘阴阳怪气一把：
当然了，虽然名字难记，但Gemini 1.5 Pro（0801）这次在竞技场官方评测中表现亮眼。
总体胜率热图显示，它比GPT-4o胜出54%，比Claude 3.5 Sonnet胜出59%。
在多语言能力基准测试中，它在中文、日语、德语、俄语均排名第一。
但是，在Coding、Hard Prompt Arena中，它还是打不过Claude 3.5 Sonnet、GPT-4o、Llama 405B等对手。
这一点也遭到网友诟病，转译过来就是：
编码才是最重要的，但它在这上面表现不佳。
不过也有人出来安利Gemini 1.5 Pro（0801）的图像和PDF提取功能。
DAIR.AI联合创始人Elvis亲自在油管做了全套测试，并总结道：
视觉能力非常接近GPT-4o。
以及，有人拿Gemini 1.5 Pro（0801）来解决Claude 3.5 Sonet之前回答不好的问题。
结果一看，它不仅表现更好，同时也干掉了自家小伙伴Gemini 1.5 Flash。
不过嘛，一些经典常识测试它还是搞不定，比如“写十个以苹果结尾的句子”。
One More Thing
与此同时，谷歌Gemma 2系列迎来了一个新的20亿参数模型。
Gemma 2（2B）开箱即用，可以在Google Colab的免费T4 GPU上运行。
在竞技场排行榜上，它超过了所有GPT-3.5模型，甚至超越了Mixtral-8x7b。
面对谷歌最新取得的一系列新排名，竞技场榜单权威性再次受到大家质疑。
Nous Research联合创始人Teknium（微调后训练领域知名玩家）发文提醒：
虽然Gemma 2（2B）在竞技场得分高于GPT-3.5 Turbo，但它在MMLU上远低于后者。如果人们使用竞技场排名作为模型性能的唯一指标，这种差异就会令人担忧。
Abacus.AI首席执行官Bindu Reddy更是直接呼吁：
请立即停止使用这个人类评估排行榜！Claude 3.5 Sonnet比GPT-4o-mini好得多。类似的Gemini/Gemma在这个排行榜上的得分都不应该这么高。
那么，你认为这种人类匿名投票的方式还靠谱吗？（欢迎评论区讨论）
参考链接：
[1]https://x.com/lmsysorg/status/1819048821294547441
[2]https://x.com/JeffDean/status/1819121162578022849
[3]https://x.com/stevenheidel/status/1819080995062403484
[4]https://x.com/rohanpaul_ai/status/1818697538360295897
[5]https://x.com/bindureddy/status/1818738366466412601
[6]https://x.com/infwinston/status/1818718423700103526
本文来自微信公众号“量子位”（ID：QbitAI），作者：一水，36氪经授权发布。
