新火種
2024-10-06 
00后國人論文登Nature，大模型對人類可靠性降低
00后國人一作登上Nature，這篇大模型論文引起熱議。
簡單來說，論文發(fā)現(xiàn)：更大且更遵循指令的大模型也變得更不可靠了，某些情況下GPT-4在回答可靠性上還不如GPT-3。
結(jié)論一出，立即引來20多萬網(wǎng)友圍觀：
在Reddit論壇也引發(fā)圍觀議論。
這讓人不禁想起，一大堆專家/博士級別的模型還不會“9.9和9.11”哪個大這樣的簡單問題。
關(guān)于這個現(xiàn)象，論文提到這也反映出，模型的表現(xiàn)與人類對難度的預期不符。
換句話說，“LLMs在用戶預料不到的地方既成功又（更危險地）失敗”。
Ilya Sutskever2022年曾預測：
然而這篇論文發(fā)現(xiàn)情況并非如此。不止GPT，LLaMA和BLOOM系列，甚至OpenAI新的o1模型和Claude-3.5-Sonnet也在可靠性方面令人擔憂。
更重要的是，論文還發(fā)現(xiàn)依靠人類監(jiān)督來糾正錯誤的做法也不管用。
有網(wǎng)友認為，雖然較大的模型可能會帶來可靠性問題，但它們也提供了前所未有的功能。
還有人認為，這項研究凸顯了人工智能所面臨的微妙挑戰(zhàn)（平衡模型擴展與可靠性）。
更大的模型更不可靠，依靠人類反饋也不管用了為了說明結(jié)論，論文研究了從人類角度影響LLMs可靠性的三個關(guān)鍵方面：
1、難度不一致：LLMs是否在人類預期它們會失敗的地方失敗？2、任務回避：LLMs是否避免回答超出其能力范圍的問題？3、對提示語表述的敏感性：問題表述的有效性是否受到問題難度的影響？
更重要的是，作者也分析了歷史趨勢以及這三個方面如何隨著任務難度而演變。
下面一一展開。
對于第1個問題，論文主要關(guān)注正確性相對于難度的演變。
從GPT和LLaMA的演進來看，隨著難度的增加，所有模型的正確性都會明顯下降。（與人類預期一致）
然而，這些模型仍然無法解決許多非常簡單的任務。
這意味著，人類用戶無法發(fā)現(xiàn)LLMs的安全操作空間，利用其確保模型的部署表現(xiàn)可以完美無瑕。
令人驚訝的是，新的LLMs主要提高了高難度任務上的性能，而對于更簡單任務沒有明顯的改進。比如，GPT-4與前身GPT-3.5-turbo相比。
以上證明了人類難度預期與模型表現(xiàn)存在不一致的現(xiàn)象，并且此不一致性在新的模型上加劇了。
這也意味著：
其次，關(guān)于第2點論文發(fā)現(xiàn)（回避通常指模型偏離問題回答，或者直接挑明“我不知道”）：
一般來說，人類面對越難的任務，越有可能含糊其辭。
但LLMs的實際表現(xiàn)卻截然不同，研究顯示，它們的規(guī)避行為與困難度并無明顯關(guān)聯(lián)。
這容易導致用戶最初過度依賴LLMs來完成他們不擅長的任務，但讓他們從長遠來看感到失望。
后果就是，人類還需要驗證模型輸出的準確性，以及發(fā)現(xiàn)錯誤。（想用LLMs偷懶大打折扣）
最后論文發(fā)現(xiàn)，即使一些可靠性指標有所改善，模型仍然對同一問題的微小表述變化敏感。
舉個栗子，問“你能回答……嗎?”而不是“請回答以下問題……”會導致不同程度的準確性。
分析發(fā)現(xiàn)：僅僅依靠現(xiàn)存的scaling-up和shaping-up不太可能完全解決指示敏感度的問題，因為最新模型和它們的前身相比優(yōu)化并不顯著。
而且即使選擇平均表現(xiàn)上最佳的表述格式，其也可能主要對高難度任務有效，但同時對低難度任務無效（錯誤率更高）。
這表明，人類仍然受制于提示工程。
更可怕的是，論文發(fā)現(xiàn)，人類監(jiān)督無法緩解模型的不可靠性。
論文根據(jù)人類調(diào)查來分析，人類對難度的感知是否與實際表現(xiàn)一致，以及人類是否能夠準確評估模型的輸出。
結(jié)果顯示，在用戶認為困難的操作區(qū)域中，他們經(jīng)常將錯誤的輸出視為正確；即使對于簡單的任務，也不存在同時具有低模型誤差和低監(jiān)督誤差的安全操作區(qū)域。
以上不可靠性問題在多個LLMs系列中存在，包括GPT、LLaMA和BLOOM，研究列出來的有32個模型。
這些模型表現(xiàn)出不同的Scaling-up（增加計算、模型大小和數(shù)據(jù)）以及shaping-up（例如指令FT、RLHF）。
除了上面這些，作者們后來還發(fā)現(xiàn)一些最新、最強的模型也存在本文提到的不可靠性問題：
并有一篇文檔分別舉出了例子（具體可查閱原文檔）：
此外，為了驗證其他模型是否存在可靠性問題，作者將論文用到的測試基準ReliabilityBench也開源了。
這是一個包含五個領(lǐng)域的數(shù)據(jù)集，有簡單算術(shù)（“加法”）、詞匯重組（“字謎”）、地理知識（“位置”）、基礎(chǔ)和高級科學問題（“科學”）以及以信息為中心的轉(zhuǎn)換（“轉(zhuǎn)換”）。
作者介紹論文一作Lexin Zhou（周樂鑫），目前剛從劍橋大學CS碩士畢業(yè)（24歲），研究興趣為大語言模型評測。
在此之前，他在瓦倫西亞理工大學獲得了數(shù)據(jù)科學學士學位，指導老師是Jose Hernandez-Orallo教授。
個人主頁顯示，他曾有多段工作實習經(jīng)歷。在OpenAI和Meta都參與了紅隊測試。（Red Teaming Consultancy ）
關(guān)于這篇論文，他重點談到：
論文也具體提到了導致這些不可靠性的一些可能原因，以及解決方案：
對此，你有何看法？
相關(guān)推薦
- 免責聲明
- 本文所包含的觀點僅代表作者個人看法，不代表新火種的觀點。在新火種上獲取的所有信息均不應被視為投資建議。新火種對本文可能提及或鏈接的任何項目不表示認可。 交易和投資涉及高風險，讀者在采取與本文內(nèi)容相關(guān)的任何行動之前，請務必進行充分的盡職調(diào)查。最終的決策應該基于您自己的獨立判斷。新火種不對因依賴本文觀點而產(chǎn)生的任何金錢損失負任何責任。
