ChatGPTの振る舞いはどのように変化しているのか？

要旨

GPT-3.5とGPT-4は、現在最も広く利用されている大規模言語モデル（LLM）サービスです。しかし、これらのモデルがいつ、どのように更新されているかは不明瞭です。本研究では、2023年3月版と2023年6月版のGPT-3.5およびGPT-4を、以下の4つの多様なタスクで評価しました：1) 数学問題の解決、2) センシティブ/危険な質問への回答、3) コード生成、4) 視覚的推論。その結果、GPT-3.5とGPT-4の性能と振る舞いが時間とともに大きく変化することがわかりました。例えば、GPT-4（2023年3月版）は素数を識別するのに非常に優れていました（精度97.6%）が、GPT-4（2023年6月版）は同じ問題で非常に低い精度（2.4%）を示しました。興味深いことに、GPT-3.5（2023年6月版）はこのタスクにおいてGPT-3.5（2023年3月版）よりもはるかに優れていました。GPT-4は、6月版では3月版に比べてセンシティブな質問に答える意欲が低く、またGPT-4とGPT-3.5の両方において、6月版では3月版に比べてコード生成におけるフォーマットミスが多くなりました。全体として、同じLLMサービスの振る舞いが比較的短期間で大幅に変化する可能性があることが明らかになり、LLMの品質を継続的に監視する必要性が浮き彫りになりました。

English

GPT-3.5 and GPT-4 are the two most widely used large language model (LLM) services. However, when and how these models are updated over time is opaque. Here, we evaluate the March 2023 and June 2023 versions of GPT-3.5 and GPT-4 on four diverse tasks: 1) solving math problems, 2) answering sensitive/dangerous questions, 3) generating code and 4) visual reasoning. We find that the performance and behavior of both GPT-3.5 and GPT-4 can vary greatly over time. For example, GPT-4 (March 2023) was very good at identifying prime numbers (accuracy 97.6%) but GPT-4 (June 2023) was very poor on these same questions (accuracy 2.4%). Interestingly GPT-3.5 (June 2023) was much better than GPT-3.5 (March 2023) in this task. GPT-4 was less willing to answer sensitive questions in June than in March, and both GPT-4 and GPT-3.5 had more formatting mistakes in code generation in June than in March. Overall, our findings shows that the behavior of the same LLM service can change substantially in a relatively short amount of time, highlighting the need for continuous monitoring of LLM quality.

ChatGPTの振る舞いはどのように変化しているのか？

How is ChatGPT's behavior changing over time?

要旨

Support