GPT-3.5：完整基准性能指南

openai 3.5 2022-11-30 Proprietary

深入分析 GPT-3.5 在 MMLU、HumanEval、GSM8K、MATH、BBH 等基准上的表现，包含定价与适用场景。

核心规格

厂商openai
版本3.5
发布日期2022-11-30
上下文窗口4096 tokens
输入模态text
输出模态text
许可Proprietary
文档https://platform.openai.com/docs/models

基准测试表现

基准 得分 单位 评测日期 备注 来源
MMLU 50.3 % 2022-11-30 5-shot 查看
HUMANEVAL 28.2 pass@1 2022-11-30 — 查看
GSM8K 56.6 % 2022-11-30 0-shot CoT 查看
MATH 29.4 % 2022-11-30 0-shot CoT 查看
BBH 63.9 % 2022-11-30 3-shot CoT 查看
GPQA 26.9 % 2022-11-30 0-shot 查看
IFEVAL 52.8 % 2022-11-30 prompt_strict 查看
ARC 81.8 % 2022-11-30 challenge 查看
MUSR 40.4 % 2022-11-30 0-shot 查看
WINOGRANDE 72.7 % 2022-11-30 0-shot 查看

定价

项目 价格 币种
输入$2 / MtokUSD
输出$2 / MtokUSD
缓存读$0 / MtokUSD
缓存写$0 / MtokUSD

数据来源: https://openai.com/api/pricing/ · 截至 2022-11-30

合规性

  • 数据驻留: US
  • SOC2: ✓
  • HIPAA: ✓
  • GDPR: ✓
  • ISO 27001: ✓

GPT-3.5

模型概述

OpenAI GPT-3.5 基础模型, 4K 上下文, ChatGPT 初始版本所用模型, 推理能力优于 GPT-3。

核心规格

厂商 版本 发布日期 上下文窗口 输入模态 输出模态 许可证
Openai 3.5 2022-11-30 4K text text Proprietary

基准测试表现

基准 得分 单位 备注
MMLU (Massive Multitask Language Understanding) 50.3 % 5-shot
HumanEval 28.2 pass@1 —
GSM8K (Grade School Math 8K) 56.6 % 0-shot CoT
MATH 29.4 % 0-shot CoT
BBH (BIG-Bench Hard) 63.9 % 3-shot CoT
GPQA 26.9 % 0-shot
IFEval 52.8 % prompt_strict
ARC 81.8 % challenge
MUSR 40.4 % 0-shot
WinoGrande 72.7 % 0-shot

定价

输入 输出 缓存读取 缓存写入
— — — —

每百万 token

优势

  • 可靠的通用模型。

劣势

  • MMLU 仅 50.3，知识推理偏弱。
  • HumanEval 28.2，代码能力较弱。
  • 闭源专有模型，不支持自托管。
  • 上下文窗口 4K 偏小。

适用场景

  • 通用对话与问答

参考文献