12 月 30 日,他向大家介绍了来自微软 DeBERTa 团队取得了明显进展,并在评论当中对 T5 模型进行简单的评价。
12 月 31 日,Zirui Wang 的 T5 和 Meena 结合的模型总得分 90.0 分,以 0.1 分的优势击败了 DeBERTa 团队的组合模型占据榜首。0.1 的差距看起来很小,但事实上,微软比 SuperGLUE 人类基线也之只多了 0.1 分。
后来,GLUE 难度不够了,SuperGLUE 也就应运而生。SuperGLUE 在 GLUE 的基础上增加了 Facebook 人工智能和三星研究院的支持,与此同时,它的基准测试的难度也大大提高。
两个基准测试在网页上并无太大差别,区别就是测试任务。通俗来说,如果 GLUE 的难度是语言理解的“十八铜人阵”,打败 GLUE baselines 就印上青龙白虎,那 SuperGLUE 就得是“八大派围攻光明顶”,没有三五年年内功别想活着下山,SuperGLUE human baseline 89.8 分在那边守着,Google 自己家 T5 都还有差距,这个英雄榜,真的不是谁都能上的。这些可能不太直观,举点更直接的例子,GPT-3 评分 71.8分,BERT 评分 69分。对比起来,90 分是不是就是独一档的存在?人们一度怀疑,SuperGLUE Human Baselines 还能被超越吗?