斯坦福大学的团队评估了ChatGPT在几个月内如何处理不同的任务。他们发现，ChatGPT的能力随时间的推移而出现了不一致。目前，ChatGPT有两个版本——免费的GPT-3.5模型和更智能、更快速的付费GPT-4版本。研究人员发现，GPT-4在3月份能够有效地解决数学问题，识别质数的准确率为97.6%。三个月后，其准确率下降到了2.4%。而另一方面，GPT-3.5却变得更好，从7.4%的准确率提高到了86.8%。
研究人员还注意到，在编写代码和视觉推理方面也有类似的波动。斯坦福大学计算机科学教授James Zou称：“当我们调整一个大型语言模型来提高它在某些任务上的表现时，那可能会有很多意想不到的后果，可能会损害这个模型在其他任务上的表现……这个模型回答问题的方式有各种各样的相互依赖性，这可能导致我们观察到的一些恶化行为。”
研究人员认为，结果并不能真正反映ChatGPT性能的准确性状态，而是显示了微调模型带来的意外后果。本质上，当修改模型的一部分来改善一个任务时，其他任务可能会受到影响。为什么会这样很难确定，因为没有人知道ChatGPT是如何运作的，而且它的代码也不是开源的。
随着时间的推移，研究人员注意到，ChatGPT的回答不仅变得不太准确，而且还停止了解释其推理过程。
由于ChatGPT的运作方式，要研究和衡量它的表现可能很困难，这项研究强调了观察和评估驱动ChatGPT等工具的大型语言模型（LLM）性能变化的必要性。该研究已经在arXiv上发布，并正在等待同行评审，IT之家附链接在此。
