可检验人类知识的时间胶囊：在一个免费的本地模型中检验41年的《Jeopardy!》题目

2011 年，IBM 的沃森就像一个密封的胶囊，里面装有那个时代的可查询知识。其DeepQA系统击败了人类最强的Jeopardy！冠军，但让它这样做的知识存在于一个运行在 POWER7 服务器集群上的、包含数十亿文档的语料库中，在构建时被冻结，无法移动或复制。我们证明，同样类型的人工制品，一种文化可以回答的快照，现在是可移植的并且基本上是免费的。我们针对完整的开放 Jeopardy！ 评估单个 9 GB 开放权重模型（Qwen2.5-14B，4 位）。线索数据集，涵盖 1984 年至 2025 年所有 41 个广播季的 529,939 条线索。据我们所知，这是第一次在整个语料库上运行模型。 41年仅标志着问题收集的时间。他们测试的内容更加古老和广泛：一种文化认为值得了解的人类常识知识的积累，从古代历史和消逝的语言到科学、文学和地理，每个项目都有经过验证的答案。该模型在严格的强制响应协议下通过精确和模糊匹配回答了 67.0% 的所有线索，并且在事实类别上超过了 85%。我们将训练数据暴露视为两个系统共享的东西，而不是语言模型特有的缺陷。事实上，沃森的情况更为极端。它的语料库是为了包含《危险边缘》的答案而组装的，它是根据过去的线索进行调整的，它无法回答除精选分布之外的任何内容。决定性的考验是模型是否能够回答构建时不存在的线索。根据训练截止后公布的线索，本地模型占 65%，Claude Opus 4.8 占 95%，而 Watson by Construction 得分为零。从服务器机房转移到可以密封在时间胶囊中的文件后，该功能仍然存在，并且与 Watson 不同的是，它不会冻结在自己的时刻。