第139章 新的SOTA（2/2）

但这只是单例测试，说明不了大问题。真正的考验，是全量数据集的泛化能力测试。

他首先进行了离线测试。也就是用CLUTRR数据集中，预先划分好的“验证集”来跑分。这部分数据模型在训练时是没见过的，可以初步检验模型的泛化能力。

他敲下了测试指令，看着进度条一点点向前推进。

趁着测试的空档，他打开了PaersWithCode网站，搜索了CLUTRR数据集的最新排行榜。

排名第一的，是DeeMd在半年前发布的Neuro-Syboli(v2)，准确率达到了92.4%。这是一个专门为逻辑推理设计的、极其复杂的混合架构，号称融合了神经网络和符号AI的精髓。

紧随其后的是OenAI的GPT-4o(Fiuned)，经过专门的微调后，在这个任务上也跑出了91.8%的高分。

再往下，是Meta的LLaMA-3-70B，得分88.5%。

“最高92.4%……”

徐辰看着这个数字，若有所思。

“看来这两年，工业界也没闲着，确实在逻辑推理上下了不少功夫。能把概率模型逼到这个份上，已经是工程学的奇迹了。”

随后，徐辰还搜到OenAI的灵魂人物伊利亚对于这类问题的感叹：“缩放定律在逻辑任务上开始显示出边际效应递减。我们投入了10倍的数据和算力，却只换来了0.5%的提升。我们需要一个新的范式，但我们还不知道它是什么。”

看着这段文字，徐辰心中涌起一股奇异的感觉。

其实，站在金字塔顶端的那群人——无论是哈萨比斯、伊利亚，还是杨立昆——他们比谁都清楚，当前的LLM已经撞上了一堵看不见的墙。

他们就像是把“炼丹术”发挥到极致的古代方士，虽然能炼出璀璨的琉璃，却始终无法触及化学的本质。他们知道单纯靠堆算力、堆数据，永远无法让概率模型产生真正的、严谨的逻辑闭环。

他们在黑暗中在此徘徊，焦灼地等待着。

……

就在这时，终端窗口发出“叮”的一声轻响。

测试完成。

徐辰深吸一口气，将目光移回终端。

屏幕的最下方，一行白色的字符静静地停在那里。

【测试准确率:95.3%】

徐辰愣了一下，随即揉了揉眼睛，凑近屏幕确认了一遍。

95.3%。

比DeeMd那个集结了全球顶尖算力与智慧、结构复杂到令人发指的SOTA模型，还要高出整整3个百分点！

在机器学习这个卷到极致的领域，通常提升0.5个百分点，就足以让一篇论文登上CVPR或者NeurIPS这样的顶会；提升1个百分点，那就是年度最佳论文的有力竞争者。

提升3个百分点？

那不叫提升。

那叫代差。

更可怕的是，DeeMd那个模型，可是经过了无数工程师日夜调优、用了数千张TPU训练了几个月才得到的“完全体”。

而徐辰眼前这个呢？

这只是一个他花了两天时间手搓出来的、甚至连Droout、LayerNor这些基础的神经网络优化技巧都还没来得及加的基础模型。

徐辰靠回椅背，看着屏幕，忍不住感叹了一句。

“这就是数学的降维打击啊……”

……

徐辰看着那个接近满分的数字，心中虽然高兴，但并没有狂喜。

毕竟这只是离线测试，也就是在自已家门口跑跑，谁知道会不会有过拟合的嫌疑？

他打开了CLUTRR数据集的官方评测网站。

这是一个全球AI研究者公认的竞技场。你需要下载官方提供的“测试集”，这部分数据是绝对保密的，不仅没见过，而且难度更高，逻辑链条更长。

然后，徐辰将模型预测的结果文件上传到服务器，由官方进行评分。

由于只上传预测结果，不上传模型，并不会泄露模型，所以徐辰也就放心地提交了。

在注册账号时，徐辰犹豫了一下。

“起个什么名字好呢？”

他想了想，手指在键盘上敲下了一个字母。

X

“就用这个吧，Xu的首字母，简单好记。”

……

屏幕上出现了一个旋转的加载图标，几秒钟后，页面刷新。

准确率95.12%。

徐辰看着这个数字，满意地点了点头。

线上和线下的成绩几乎一致，说明模型的泛化能力极强，没有过拟合。

“对于一个还没怎么调参、连Droout都没加的‘玩具模型’来说，这个成绩，勉强及格吧。”徐辰凡尔赛道。

他伸了个懒腰，看了一眼窗外已经泛白的天空。

“困了，睡觉。”

他随手关掉了网页，合上了电脑，就像是刚刚打完了一局普通的单机游戏，爬上床，拉过被子，秒睡。

然后徐辰不知道的是，这个测试虽然不会泄露模型，但是测试的分数会即时更新到排行榜……