然而，随着网友们纷纷测试，一个bug却成为了热议的焦点——
只是少了一个问号，V3 实际上是自称的。
即使让它讲一个笑话也会产生相同的结果：
此外，V3此次走红的一大亮点是培训费用仅为557.6万美元。
于是乎，有人开始怀疑：它不是根据 的输出来训练的吧？
真巧，我也发了一个状态，好像是在讽刺……
不过，V3并不是第一个被报错家的大型车型。
比如他曾说自己是百度的文心一言……
那么这是怎么回事呢？为什么V3报错门？
首先需要强调的是，从目前网友们的整体讨论来看，V3不太可能是针对输出进行训练的。
我之所以这么说，就像网友Riley总结的那样——因为互联网的影子无处不在。
即使V3故意使用输出进行训练，也没有关系。
几乎所有后来的大牌车型都见过它。
例如，对话数据集并不新鲜，许多人都尝试过调整它和其他数据源。但即便如此，也没有出现V3级别的大型车型。
然后，Riley拿出了V3报告中的一些证据：
而且如果用数据的话，一些关于V3质量的问题是无法解释的。
比如在 Pile 测试中（基础模型压缩 Pile 的效果），V3 的得分几乎和 Llama 3.1 405B 一样，这与是否接收数据无关。
此外，报告指出，95% 的 GPU 时间用于预训练基本模型。即使是和数据相关的，这部分也会发生在后期（最后5%）。
与其使用无用的数据，或许我们更应该关注为什么大模型频繁出现“报错门”的问题。
对于这个问题，有人给出了尖锐的评论：
因为人工智能公司获取数据的互联网上充斥着人工智能垃圾。
毕竟，欧盟的一份报告预测，到2026年，90%的在线内容可能由人工智能生成。
这种“AI污染”将导致“通过训练数据完全过滤AI输出”变得困难。
AI Now 首席科学家 Heidy 表示：
尽管存在风险，但开发人员还是被从现有人工智能模型中“提炼”知识所节省的成本所吸引。
意外训练的模型或 GPT-4 输出也不一定会表现出类似于定制消息的输出。
那么现在针对网友热议的问题，量子比特已经进行了一波实测，而V3还没有解决这个bug。
仍然缺少一个问号，所以答案会有所不同：
