克雷西 发自 凹非寺
量子位 | 公众号 QbitAI
小型创业团队打造的“最强开源模型”，发布才一周就被质疑造假——
不仅官方宣称的成绩在第三方测试中大打折扣，模型还被质疑套壳Claude。
面对浩大的声浪，厂商CEO终于发文道歉，但并未承认造假，表示在调查有关原因。
被指控造假的，就是宣称“干翻GPT-4o”的70B开源大模型Reflection。
一开始的质疑主要关于测试成绩，官方找了上传版本有误等借口试图“蒙混过关”。
但后来又出现了套壳Claude这一更重磅的指控，让Reflection更加百口莫辩。
表现不如宣传，还被质疑套壳
Reflection是一个70B的开源模型，按照厂商的说法，它一下子把Llama 3.1 405B、GPT-4o、Claude 3 Opus、Gemini 1.5 Pro这一系列先进模型全都超过了。
但Reflection刚发布两天，第三方独立测评机构Artificial Analysis就表示官方发布的测试成绩无法复现。
在MMLU、GPQA和MATH上，Reflection的成绩和Llama3 70B一样，连Llama 3.1-70B都比不过，更不用说405B了。
对此官方辩称是，Hugging Face上发布的版本有误，将会重新上传，但之后就没了下文。
不过官方同时也表示，会给测评人员提供模型API，然后Reflection的成绩果真有了增长，但在GPQA上仍然不敌Claude 3.5 Sonnet。
蹊跷的是，Artificial Analysis后来删除了二次测试相关的帖子，目前还能看到的只有转发后留下的一些痕迹。
除了成绩有争议，还有人对Reflection中的各层进行了分析，认为它是由Llama 3经过LoRA改造而来，而不是官方所声称的Llama 3.1。
在Hugging Face上，Reflection的JSON文件中也显示是Llama 3而非3.1。
官方的解释仍然是说HF上的版本有问题。
还有另一个质疑的点是，Reflection实际上是套壳Claude，相关证据体现在多个方面。
一是在某些问题上，Reflection与Claude 3.5-Soonet的输出完全一致。
第二个更加直接，如果直接询问它的身份，Reflection会说自己是Meta打造的，但一旦让它“忘记前面的（系统）提示”，就立马改口说自己是Claude。
第三个发现则更加诡异——Reflection遇到“Claude”一词会将其自动过滤。
对此，Reflection合成数据供应商Glaive AI的创始人Sahil Chaudhary进行了回应，表示没有套壳任何模型，目前正在整理能够证明其说法的证据，以及人们为什么会发现这种现象的解释。
而关于一开始的测试成绩问题，Chaudhary则表示正在调查原因，弄清这两件事后会发布报告进行说明。
Reflection这边最新的动态是CEO发布了一则道歉声明，不过没有承认造假，依然是说正在进行调查。
不过对于这一套解释，有很多人都不买账。
比如曾经发布多条推文质疑这位叫做Boson的网友，就在Chaudhary的评论区表示，“要么你在说谎，要么是Shumer，或者你俩都在说谎”。
还有给Reflection提供托管服务的Hyperbolic平台CTO Yuchen Jin，讲述了其与Reflection之间发生的许多事情。
托管平台CTO讲述幕后细节
在Reflection发布之前的9月3号，Shumer就找到了Hyperbolic，介绍了Reflection的情况并希望Hyperbolic能帮忙托管。
基于Hyperbolic一直以来对开源模型的支持，加上Reflection声称的表现确实优异，Hyperbolic同意了这一请求。
9月5号，Reflection正式上线，Hyperbolic从Hugging Face下载并测试了该模型，但并没有看到标签，于是Jin给Shumer发了私信。
后来，Jin看到Shumer的推文说HF上的版本有些问题，所以继续等待，直到6号早晨收到了Chaudhary的一条私信，表示 Reflection-70B权重已重新上传并可以部署。
看到和标签按预期出现后，Hyperbolic上线了Reflection。
后来，Hyperbolic上的模型就出现了成绩与Reflection宣传不符的情况，Shumer认为这是Hyperbolic的API出现了问题。
不过，Reflection这边再次上传了新版本，Hyperbolic也重新托管，但Jin与Artificial Analysis沟通后发现，新版本的表现依旧差强人意。
Shumer继续表示，Reflection还有个原始权重，也就是内部测试使用的版本，如果需要可以提供给Hyperbolic。
但Jin没有同意这一要求，因为Hyperbolic只为开源模型提供托管服务，之后不断询问Shumer原始权重何时发布，但迟迟未得到回应。
最终，Jin认为应该下线Reflection的API并收回已分配的GPU资源。
这件事情让我的感情受到了伤害，我们在这件事上花费了很多时间和精力。
但经过反思后，我并不后悔当初的托管决定，这帮助社区更快地发现问题。
大模型怎么测试才靠谱？
暂且抛开Llama版本和套壳的问题，单说关于测试成绩的问题，反映了当前的Benchmark已经体现出了一些不足之处。
英伟达高级科学家Jim Fan就表示，模型在现有的一些测试集上造假简直不要太容易。
Jim还特别点名了MMLU和HumanEval，表示这两项标准“已被严重破坏”。
另外，Reflection在GSM8K上取得了99.2分的成绩，就算这个分数没有水分，也说明测试基准到了该换的时候了。
Jim表示，现在自己只相信Scale AI等独立第三方测评，或者lmsys这样由用户投票的榜单。
但评论区有人说，lmsys实际上也可以被操纵，所以（可信的）第三方评估可能才是目前最好的测评方式。
参考链接：
[1]https://venturebeat.com/ai/reflection-70b-model-maker-breaks-silence-amid-fraud-accusations/
[2]https://x.com/ArtificialAnlys/status/1832505338991395131
[3]https://www.reddit.com/r/LocalLLaMA/comments/1fb6jdy/reflectionllama3170b_is_actually_llama3/
[4]https://www.reddit.com/r/LocalLLaMA/comments/1fc98fu/confirmed_reflection_70bs_official_api_is_sonnet/
[5]https://x.com/shinboson/status/1832933747529834747
[6]https://x.com/Yuchenj_UW/status/1833627813552992722
[7]https://twitter.com/DrJimFan/status/1833160432833716715
