花7000块实测Claude2.1 - 200K Token的超大杯效果究竟怎么样？

昨天Claude2.1正式发布了，更新了一系列的新能力，不过只对API用户开放。

大概总结一下，200K Tokens的上下文窗口、模型幻觉率的显着降低、系统提示以及他们的新测试功能：工具使用。

其他的没啥可说的，重点聊聊这个200K Tokens的上下文。

记得几个月之前，Claude率先推出100K Token，引起了不小的风波，毕竟在那个上下文都还只有4K Tokens的年代，100K Token可是扎扎实实的降维打击。

而这次，Claude2.1号称全球第一，扔出了2倍容量的200K Token。大家可能对Token没啥概念。我换种描述来说。

200K Token等于470页的PDF材料。

按Claude自己的话说，你可以扔你整个代码库和技术文档、扔一整个财务报表，甚至把《奥德赛》或者《伊利亚特》扔进去。

这下是不是就大概有点数了？以前4K的小窗口，扔个几页PDF都费劲，现在，随便扔。

但是支持这么大的容量以后，使用起来到底怎么样？你不能光加容量，但是质量不加吧，就好比你喝瑞幸，以前是个普通中杯，给你放了半杯的冰，现在他说升级了，给你来了一口缸，但是缸里依然还特么的全是冰，咖啡就那么几口，那这升级有蛋用，对吧。

Token也是一样的道理，你说是升级了200K，但你实际到50K就全都忘干净了，那你100K和200K有啥区别？

所以X上一个大佬Greg Kamradt，为了弄明白Claude2.1的200K Token，究竟实测效果怎么样，就调用Claude 的API做了个压力测试。

他做个压力测试，花了1016 美金。。。。

你没看错，1016美金，折合人民币一共7255元。。。

只能说，太特么壕了，壕特么上天了。。。

直接放他的测试结果图，为了大家阅读体验良好，我给做成中文版的了（图片可能在公众号上有压缩看不清，看完文章后可以对着我公众号私信"测试图"，我自动发你高清的原图）。

这个测试Greg Kamradt将其命名为"大海捞针"压力测试。

测试的目的是评估Claude从大量文本中检索信息的能力，特别是当信息被放置在文档的不同位置时的准确率。

横轴表示上下文长度（以Token表示），纵轴表示文档深度的百分比，这表示事实被放置在文档的位置。

横轴应该比较好理解，就是给的信息总量Tokens数，从1K到200K不等。

纵轴我稍微解释一下，"文档深度百分比"实际上是表示要信息（事实）被放置在整个文档中的位置，就是你要从大海里捞的那根针所处的位置。

你可以想象一篇文章，它从头到尾都有文字。如果我们把这篇文章比作一堆纸叠在一起，那么“文档深度”的百分比就像是你从最顶部的纸张向下数，直到你找到那条信息所在的地方。

如果信息在文档的最开始部分，那么它的文档深度接近0%。

如果信息在文档的正中间，那么它的文档深度接近50%。

如果信息在文档的最末尾，那么它的文档深度接近100%。

如果一篇文章有100行，一个重要的事实被放在了第50行，我们可以说这个事实的文档深度是50%。如果这个事实在第25行，那么深度是25%；如果在第75行，深度就是75%。这个百分比告诉我们事实在文章中的位置，而不管文章有多长。

大概就是这个意思。

可以看到，整个测试，Claude红了半边天，一半都检索失败，根本找不到。

甚至可以看到文档到了200K的时候，除非你把那根"针"放在最顶部或者最底部，也就是文档深度0%的位置，才能成功。

甚至你放在1%的文档深度的位置都能失败，简直就离谱。

发现：

• 在20万个令牌（近470页）的文档深度下，Claude 2.1能够回忆起某些事实
• 位于文档最顶部和最底部的事实被几乎100%准确地回忆起来
• 位于文档顶部的事实的回忆表现不如底部（与GPT-4类似）
• 从大约90K个令牌开始，文档底部的回忆表现开始逐渐变差
• 在较低的上下文长度下，并不保证有良好的表现

结论以及如何做：

• 提示工程很重要。值得对您的提示进行调整，并进行A/B测试以测量检索的准确性
• 不能保证您的事实一定会被检索到。
• 更少的上下文 = 更高的准确性 - 这是众所周知的，但是如果可能的话，减少您发送给模型的上下文量可以增加它的回忆能力
• 位置很重要。但是放在文档最开始和文档深度50%到100%区间的事实似乎能被更好地回忆起来。
• 提示工程很重要 - 值得对您的提示进行调整，并进行A/B测试以测量检索的准确性

可以看到，Claude2.1的这个200K表现并不尽人意，更不能对它抱有过高的信任。总量达100K之后，检索成功率甚至只有50%不到。

前几天GPT4也发布了128K的版本，虽然它比Claude2.1少了近一半，但依然是个容量极大的超大杯了。

我们再看看Greg Kamradt之前做的GPT4 128K的评测，来跟Claude2.1做一个横向的对比。

绿油油一片。

整个检索成功率几乎都保持着成功，只有到了73K以后，在7%~50%的文档深度之间，成功率才有所降低。

可以从这个压力测试看出来，GPT4保持着遥遥领先的姿态，甩了Claude一大截。

Token这个东西，容量越大当然越好，但是相应的，质量你得跟上吧。

光大容量，结果掀开一看，全是冰块，那还玩个屁。

OpenAI的一出闹剧，依然改变不了GPT4在AI行业的王者地位。

希望后来者，能真正的给OpenAI一些压力。

想要高清图的，可以对着我公众号私信"测试图"，就自动发你了。

以上，既然看到这里了，如果觉得不错，随手点个赞、在看、转发三连吧，如果想第一时间收到推送，也可以给我个星标⭐～谢谢你看我的文章。