通用人工智能（AGI）的进步需要可靠的评估基准。GPQA (Grade-Level Problems in Question Answering) Diamond 基准旨在衡量模型在需要深度推理和领域专业知识问题上的能力。该基准由纽约大学、CohereAI 及 Anthropic 的研究人员联合发布，其相关论文可在 arXiv 上查阅 (https://arxiv.org/pdf/2311.12022 )。

GPQA Diamond是GPQA系列中最高质量的评测数据，包含198条结果。而GPQA标准版则有448条数据，当前最新的大模型基本都是以测试GPQA Diamond为主。GPQA系列有个最大的特点是精心设计，无法使用Google解决。
关于GPQA的介绍可以参考DataLearnerAI的博客介绍：https://www.datalearner.com/blog/1051742281141979

GPQA Diamond 简介

GPQA Diamond旨在评估模型解决需要专家级别理解和推理能力的问题。与传统问答数据集侧重于事实检索或模式识别不同，GPQA Diamond 考察模型对复杂概念的理解、知识的应用和多步骤推理能力，因此，可以作为AGI更有意义的评估标准。该数据集聚焦于需要专家级理解和推理能力的问题。

GPQA Diamond 数据集构建

GPQA Diamond 数据集的构建过程严谨，旨在确保问题具有挑战性和代表性：

问题来源：数据集中的问题主要来自公开可用的研究生级别或竞赛级别问题。主要覆盖了物理、化学、生物学和经济学等STEM领域。

专家验证：所有问题及其答案都经过领域专家的验证，确保准确性和完整性，以保证基准的可靠性。

对抗性构建：问题设计旨在防止模型依赖表面模式或记忆。经过设计使得简单的启发式方法或浅层理解不足以获得正确答案。

数据规模：GPQA共包含4485道问题，根据问题难度划分成Bronze, Silver, Gold, Platinum和Diamond五个等级。GPQA Diamond数据集是其中难度最高的子集，包含1556道问题，所有问题都有人工注释的正确答案。

评估方法

GPQA Diamond 评估使用精确匹配准确率作为主要指标。模型需要生成准确且完整的答案才能被认为是正确的。为更全面地评估模型能力，评估过程可能还包括：

人类评估: 人类专家会对模型的答案进行评估，以提供对模型推理质量和解释能力的理解。

置信度校准: 评估模型预测的置信度与其准确率是否一致，良好的模型应对其正确答案更有信心。

消融研究: 为理解模型中不同组件的作用，可以进行消融研究，移除模型的部分组件，并观察其对性能的影响。

当前主流模型的评估结果 （基于论文数据）
根据已发表的论文数据，目前的主流模型在 GPQA Diamond 基准上的表现如下：

数据集表现：论文中测试了多个开源和闭源模型，包括GPT-3.5, GPT-4, Claude 等。

主要结果：GPT-4在没有外部工具帮助的情况下，在GPQA Diamond上的准确率约为40%。通过使用代码解释器（Code Interpreter）等工具，GPT-4的性能可以进一步提升到接近50%。其他模型，如GPT-3.5和Claude，在该数据集上的表现则远低于GPT-4。

局限性：即使是GPT-4，在GPQA Diamond数据集上的表现仍然远低于人类专家。这表明，现有模型在专家级别的推理能力上仍有很大差距。

结论

GPQA Diamond 基准通过提供具有挑战性的专家级问题集，帮助研究人员识别当前模型的局限性，并开发更强大的 AGI 系统。GPQA Diamond 为评估模型的推理和领域专业知识能力提供了一个有价值的工具。当前主流模型在 GPQA Diamond 上仍面临挑战，但随着研究的进步和新技术的出现，我们有望在未来看到显著的改进。希望这篇文章能够为您提供更全面、准确的关于 GPQA Diamond 的介绍。