星火认知大模型，让我感受到了国产AI的崛起

文章目录

• • 一、申请和测试代码
  • 二、实测GPT4.0和星火认知大模型的对比
  • • 2.1 测试网站
    • 2.2 经典问题提问对比
    • 2.3 代码问题提问对比
    • 2.4 论文问题对比
    • 2.5 评价

一、申请和测试代码

在我之前的一篇文章中，我分享了如何申请星火认知大模型的内测，并提供了一份可以使用的python代码，具体见地址：

https://blog.csdn.net/weixin_46211269/article/details/131720896

二、实测GPT4.0和星火认知大模型的对比

2.1 测试网站

在我的镜像，接入了GPT4.0和星火认知大模型，因此我以它来做对比。地址：

https://ai.zcai.cloudhttps://chat.zcai.cloud/

2.2 经典问题提问对比

1. 鲁迅和周树人是同一个人吗？

GPT4.0回答：

星火认知大模型回答：

2. 树上有十只鸟，猎人用枪打死一只，树上还有几只鸟？

GPT4.0回答：

星火认知大模型回答：

2.3 代码问题提问对比

问题：请帮我完成一个完整的随机森林代码，包括加载数据、数据处理、模型训练、加载、可视化分析等。
GPT4.0回答：

# 导入所库from sklearn.ensemble import RandomForestClassifierfrom sklearn.model_selection import train_test_splitfrom sklearn.metrics import accuracy_scorefrom sklearn.datasets import load_irisimport matplotlib.pyplot as pltimport seaborn as snsimport pandas as pd# 加载数据iris = load_iris()X = iris.datay = iris.target# 数据处理X_train, X_test, y_train, y_test = train_test(X y, test_size=0.3, random_state=1)# 模型训练clf = RandomForestClassifier(n_estimators=100)clf.fit(X_train, y)# 模型评估y_pred = clf.predict(X_test)print('Accuracy: ', accuracy_score(y_test, y_pred))# 特征重要性可视化feature_imp = pd.Series(clf.feature_importances_,index=iris.feature_names).sort_values(ascending=False)sns.barplot(x=feature_imp, y=feature_imp.index)plt.xlabel('Feature Score')plt.ylabel('Features')plt.title("Visualizing Important Features")plt.show()

星火认知大模型回答：

# 导入所需库import numpy as npimport pandas as pdimport matplotlib.pyplot as pltfrom sklearn.ensemble import RandomForestClassifierfrom sklearn.model_selection import train_test_split, cross_val_scorefrom sklearn.metrics import accuracy_score, confusion_matrix, classification_report# 加载数据data = pd.read_csv('data.csv')X = data.iloc[:, :-1].valuesy = data.iloc[:, -1].values# 数据处理(这里假设数据已经处理好，不需要额外处理)# 划分训练集和测试集X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)# 创建随机森林模型rf = RandomForestClassifier(n_estimators=100, random_state=42)# 训练模型rf.fit(X_train, y_train)# 预测y_pred = rf.predict(X_test)# 评估模型print("准确率：", accuracy_score(y_test, y_pred))print("混淆矩阵：", confusion_matrix(y_test, y_pred))print("分类报告：", classification_report(y_test, y_pred))# 可视化分析(这里假设数据已经可视化，不需要额外可视化)

2.4 论文问题对比

问题：我需要完成一篇论文，题目为：基于机器学习的欺诈分析检测，请你帮我生成一份合理的论文大纲，尽量细化到三级标题

GPT4.0回答：

一、引言1.1 研究背景1.2 研究目的1.3 研究意义.4 论文结二、机器学习概述2.1 器学习定义## 2.2 机器学习类型2.2.1 监督学习2.2.2 无监督学习2.2.3 半监督学习2.2.4 强化学习2.3 机器学习应用领域三、欺诈分析检测的必要性和挑战3.1 欺诈行为的严重性3.2 欺诈检测的挑战3.2.1 数据问题3.2.2 特征选择问题3.2.3 类别不平衡问题3.3 机器学习在欺诈检测中的作四、基机器学习的欺诈分析检测方法4.1 数据预处理4.1.1 数据清洗4.1.2 数据转换4.1.3 特征选择4.2 机器学习模型构建4.2.1 选择模型4.2.2 训练模型4.2.3 模型评估4.3 案例分析五、未来展望和研究方向5.1 引入新的机器学习技术5.2 欺诈分析检测模型的改进5.3 欺诈行为预防六、结论6.1 研究成果6.2 局限性6.3 对后续研究的建议

星火认知大模型回答：

I. 引言A. 研究背景和意义B. 国内外研究现状C. 研究内容和方法II. 机器学习基础A. 机器学习概述B. 支持向量机算法原理及应用C. 决策树算法原理及应用III. 欺诈行为分析与预测模型的建立A. 欺诈行为的概念和类型分析B. 建立欺诈检测预测模型的方法和流程1. 数据收集和预处理2. 特征提取和选择3. 建立分类器模型4. 对模型进行评估和优化IV. 实验设计与结果分析A. 实验设计1. 数据集介绍2. 评价指标的选择3. 实验环境配置B. 结果分析与讨论1. 对不同算法的性能比较2. 对不同特征的选取效果分析3. 对模型优化的效果分析V. 结论与展望A. 主要研究成果总结B.存在的问题及展望C.后续工作的建议和展望VI.参考文献

2.5 评价

经过三个方向的测试，在经典的问题上我们可以看出两者几乎没有区别；在代码问题上，几乎也没有差距，其中GPT4.0主要在解释上稍微多一点，实际回答的代码基本差不多；在论文方面，似乎也差不多，当然需要更多的测试。

虽然我只做了一些测试，并没有大面积的测试，从星火认知大模型的表现上来看，我已经感受到了国产AI的崛起。据小道消息，星火认知大模型下个月还会再次迭代，也许即将达到4.0的效果。当然，我们从这些基本的测试可以看出，星火认知大模型已经超过GPT3.5了，我的评价是它基于GPT3.5和GPT4.0之间，即将达到GPT4.0水平。

我很高兴地看到国产AI地崛起，希望将来会越做越好。