ChatGPT 人工智能 GPT4 伦理 生成式 医疗 监管 安全 机器学习 深度学习 神经网络 计算机视觉 强化学习 模型 算法 应用 开发 研究 工具 平台 框架 数据集 训练 部署 安全 合规 培训 投资 LLM,llm AI,ai,Ai 大模型 大语言模型 制图 生图 绘图 文生图 文生视频 生成式AI AGI 世界模型 sora chatGPT,chatgpt,ChatGpt claude openai Llama deepseek midjourney 红熊猫模型 Red panda,panda Stable Diffusion,StableDiffusion,stable DALL- E 3 DALL E DALL Flux,flux 扩散模型 混元大模型 文心一言 通义千问 可灵 Pika PixelDance 豆包 月之暗面 零一万物 阶跃星辰 搜索增强 MiniMax Talkie Agent prompt fastai LangChain TTS 微调 提示词 知识库 智能体
# 热门搜索 #
搜索
苹果一篇论文得罪大模型圈?Transformer不会推理,只是高级模式匹配器!所有LLM都判死刑
2800点击    2024-10-19 16:32

LLM真的会推理吗?



最近,苹果研究员发文质疑道:LLM根本没有不会推理,所谓的推理能力只是复杂的模式匹配罢了。


论文地址:https://arxiv.org/abs/2410.05229


这项研究也在AI社区引起了广泛讨论。


谷歌DeepMind科学家Denny Zhou表示,自己ICML 2023的一片论文中,也发现了类似现象。



Meta AI研究者田渊栋表示,梯度下降可能无法学习到这样的权重。



巧的是,AI2等机构在23年的一篇研究也被翻出,证实模型根本没有学会数学推理,只是在「照背」答案而已。


网友们搜罗了越来越多的学术证据,一致证明:LLM可能根本不会推理!



图灵三巨头之一的LeCun,也在最近的万字演讲表示,Meta现在已经完全放弃纯语言模型,因为仅靠文本训练,它永远不可能达到接近人类水平的智能!



目前Transformer架构的大语言模型,难道真的是一条弯路?


换个马甲,大模型的数学能力就滑坡了!


这次,苹果的研究者们仔细研究了GPT-4o和o1系列闭源模型,以及Llama、Phi、Gemma、Mistral等开源模型的数学能力。


此前,业界用来评价大模型数学能力的数据集是2021年发布的GSM8K,该数据集包含8000可小学水平的数学应用题,例如下面的例子:


当索菲照顾她侄子时,她会为他拿出各种各样的玩具。积木袋里有31块积木。毛绒动物桶里有8个毛绒动物。堆叠环塔上有9个五彩缤纷的环。索菲最近买了一管弹性球,这使她为侄子准备的玩具总数达到了62个。管子里有多少个弹性球?


此时距OpenAI发布GSM8K已经三年了,模型性能也从GPT-3的35%,提升到了30亿参数模型的85%以上。



不过,这真的能证明LLM的推理能力确实提高了吗?


要知道,由于是21年发布的数据集,如今的主流大模型可能抓取的训练数据无意间涵盖了GSM8K的题目。


虽然大部分模型没有公开训练数据的信息,但存在数据污染的可能,这就会导致大模型能够靠背题答对GSM8K中题目。


因此,用这个数据集去评判LLM的数学能力,并不准确。


于是,为了客观评价LLM的数学能力极限,苹果的研究者们开发了一个名为GSM-Symbolic的数据集。


GSM-Symbolic将GSM8K的题目进行了修改,例如改变了索菲这个名字,侄子这个家人的称谓,以及各种玩具的多少(数字)。


这样一来,就可以产生出很多个看起来全新,但实际上却是具有相同内核的题目。



另外,除了GSM-Symbolic,这项研究还提出了GSM-NoOp数据集,GSM-NoOp 向题目中添加看似相关但实际上无关的数据,来判断大模型在执行逻辑推理任务时是否会受到无关数据的影响。


不管开源闭源,都会因题目换皮表现更差


实验结果很有趣:就跟人类一样,数学题干一换,很多LLM就不会了!


苹果的研究者们对比了GSM8k和GSM-Symbolic在多种模型上的性能差异,结果发现——


无论是主流的开源模型还是闭源的GPT系列模型,甚至专门为数理推断专门优化的o1模型,当面对GSM-Symbolic的换皮题目时,准确率都会下降。


大多数模型在GSM-Symbolic上的平均性能,都低于在GSM8K上的平均性能。



GSM8k和GSM-Symbolic和模型性能对比


即使只更改了题目中的名称,大模型的表现也会有存在差异,当只改变了题目中的专有名词时,性能下降在1%-2%之间,当实验者更改数字或结合两类更改时,差异则更为显著。


对比只修改题目中的专有名词,题目中数字和都修改时的准确度


从图2中可看出,几乎所有模型都明显出现了分布均值从右向左的逐渐移动(准确度变低),以及方差增加。


仅仅是更改一下专有名词,就会存在如此大的差异,这种现象实在是令人担忧:看来,LLM的确没有真正理解数学概念。


即使理解了数学题目的小学生,都不会因为题目换汤不换药,就不会做了。


随后,苹果的研究者继续给这些LLM上难度。


他们引入了GSM-Symbolic的三个新变体:删除一个分句(GSM-M1),增加一个分句(GSM-P1)或增加两个分句(GSM-P2)。


果然,当模型面对的题目变难时,例如题目从「打电话每分钟10分钱,打60分钟多少钱?」变为「打电话前10分钟每分钟10分钱,之后每分钟8分钱,如此打60分钟电话费多钱?」,大模型回答的准确性降低,方差变大,这就意味着,LLM的性能极不稳定,可靠性越来越差。



最后,当模型面对增加了和题目无关的论述的题目(GSM-NoOP),性能的下降更是惨不忍睹。


所有模型的性能下降都更加明显,其中Phi-3-mini 模型下降了超过 65%,甚至像o1-preview这样的预期表现更好的模型也显示出显著的下降(17.5%)。


这是由于模型会将无关的论述当成需要操作的步骤,从而画蛇添足地回答错误。


也就是说,当今性能最强大的模型,也依然无法真正理解数学问题。


GSM-NoOP数据集相比GSM8k数据集的性能下降


o1系列模型,依然无法避免这些问题


从这项研究的结果来看,大模型在执行真正的数学推理方面的重大局限性。


大模型在不同版本的同一问题上的表现高度差异,随着难度轻微增加而表现大幅下降,以及对无关信息的敏感度表明,大模型进行的推理及运算是脆弱的。


最终,苹果研究者给出这样的结论——它们可能更像是复杂的模式匹配,而不是真正的逻辑推理。


也就是说,即使我们继续堆数据、参数和计算量,或者用更好的训练数据,也只能得到「更好的模式匹配器」,而非「更好的推理器」。


大模型实际不是解数学题,还是在进行模式匹配


无独有偶,23年的一项研究《信仰与命运:Transformer作为模糊模式匹配器》也证实——


大模型并没有真正的理解数学概念,而只是根据模糊模式匹配来从训练数据的题库中寻找答案。


论文地址:https://arxiv.org/abs/2305.18654


研究者们很疑惑,为什么Claude或GPT-4这样的模型输出时,听起来非常像一个人在推理,而且问题也都是需要推理才能解决的。


它们仿佛已经在超人类智能的边缘,但在处理一些简单的事情上却有很蠢。


比如,人类在学习基本计算规则后,可以解决三位数乘三位数的乘法算术。但在23年底,ChatGPT-3.5和GPT-4在此任务上的准确率分别只有55%和59%。


到底发生了什么?


在《信仰与命运》这篇论文中,Allen AI、华盛顿大学等的学者对LLM的这种表现提出了一种解释——「线性化子图匹配」。


线性子图匹配


他们猜测,大模型解决问题的方式是这样的。


1. 任何任务的解决问题都可以表示为一个有向图,该图将任务描述为一系列步骤,这些步骤会被分别解决,然后将结果组合在一起。


2. 如果整个任务的解决方案过程可以用一个图来描述,那么其中的子任务就是该图中的子图。图的结构描述了哪些步骤依赖于其他步骤,而这种依赖顺序限制了子图如何被展平成线性序列。


3. GPT类的模型,通常就是通过近似匹配来“解决”上述子图的。给定一个可以用子图描述的问题,大模型就会通过大致将其与训练数据中相似的子图相匹配,来进行预测。


为了证明这项猜测,研究者测试了三个任务——


乘法、爱因斯坦逻辑谜题和动态规划问题。


拿乘法举例。


如果LLM真的能通过足够的数据学会东西,或者能通过系统化的推理解决复杂的多步骤问题,那它应该能通过足够的例子或对算法的充分解释来学习乘法。


而乘法问题可以被分解为更小的问题,因此模型应该能通过逐步推理来做出来。


LLM可以完成吗?


为了检验多位数乘法任务,研究者定义了一组大量的乘法问题。从计算两位数和两位数的乘积到五位数和五位数的乘积。


首先,他们会要求模型解决如下问题:


问题:35 乘以 90 等于多少?答案:3150。


其次,他们向模型提供了思维链示例,将其分解为更小的任务,使用学校教授的标准乘法算法。


提示模型执行任务的程序


但如何衡量一项任务比另一项更难呢?如何追踪模型在哪些地方失败,如何失败?


研究者将乘法算法描述为一个包含加法和乘法等基本操作的定向图。


比如下面是7乘以49所涉及的运算的图表示:



其中包含7乘以4的子任务。


子程序是图中的子图


研究者在评估中发现,即使经过微调,模型也无法从训练集中看到的小乘法问题,推广到更大的乘法问题。


在左侧图中,蓝色的单元格表示模型是在这样的乘积上训练的,得分相当不错。


原因在于,模型在预测与训练数据规模相同的问题时就表现良好。


然而在橙色的单元格,如三位数与三位数或更高位数的乘积,得分就要差得多了。


GPT-3准确率与规模对比


在操作图中可以看出,当任务变得更加复杂时,准确度会急剧下降。


宽度衡量需要同时维护多少个中间结果,而深度衡量需要组合多长的步骤序列才能达到结果


由此,研究者总结出一些真正有趣的东西。


错误告诉我们,LLM中真正发生的事


首先,研究者观察到:LLM是否能成功解决问题,取决于模型之前是否见过相关的子问题。


换句话说——


1. LLM无法解决大型问题,因为它们只能解决大型问题中的部分子问题。


2. 如果它们在解决训练数据中频率更高或更精确的子问题上成功了,这表明它们只是记住了答案,通过回忆解决。


这就是为什么7乘以49会失败,但7乘以4却取得一些进展,因为LL没记住了「7乘以4的呢关于28」这个子问题。


更大的意义在于:与其将模型视为以一般和系统的方式处理问题的各个部分,不如将其视为搜索引擎,它会先召回与特定问题部分大致匹配的例子,然后将这些近似回忆拼接起来。


也就是说LLM通过仅完成整体问题的一部分而取得部分成功。


它是以自己反直觉、更肤浅、更实际的方式分解问题,更关注文本的「表面」,而非系统地思考给定的乘法算法。


高信息增益,甚至能预测意外的部分解决方案


一些问题


作者提出,子图匹配的想法,更多的是一个起点,而非对现状的精确完整描绘。


后续的实证研究,又削弱了这一解释的普遍性。


比如McLeish 等人(2024 年)表明,通过「算盘嵌入」的架构修改,可以显著提高Transformer在算术上的性能。


LLM能够解决比训练数据中更大的多位数加法问题,但未体现乘法性能的同等提升。


如果线性子图匹配是Transformer的一般性限制,那么加法为何会如此容易受到特定修复的影响,而非乘法呢?


这又引出了新的问题:什么样的文本表示将使模型更容易处理多步问题——比如推理链问题?


那些从外部看起来像是在推理的系统,即使我们知道其内部并未在逻辑蕴涵空间中执行搜索,它们的实际限制在哪里?


这些都留待未来解决。


马库斯:我早说过了


对于苹果的研究,马库斯也专门写了一篇博客进行论述。



他表示,LLM的这种「在受到干扰材料的影响下推理失败」的缺陷,并非新现象。


在2017年,斯坦福大学的Robin Jia和Percy Liang就进行过类似研究,得出了相似的结果。



在问答系统中,即使只是改变一两个无关紧要的词或添加一些无关信息,也可能得到完全不同的答案


另一个体现LLMs缺乏足够抽象、形式化推理能力的证据是,当问题变得更大时,其性能往往会崩溃。


这源于Subbarao Kambhapati团队近期对GPT o1的分析:


性能在小问题上尚可,但很快就会下降


在整数算术中,我们也可以看到相同现象。


在越来越大的乘法问题中,这种下降趋势在旧模型和新模型中都被反复观察到。



即使 o1 也受到这个问题的影响:



LLM不遵守棋类规则,是其形式推理持续失败的另一个例子:



马斯克提出,甚至马斯克的Robotaxi也会受到类似困扰:它们可能在最常见的情况下安全运行,但在某些情况下可能难以足够抽象地推理。


马库斯指出:LLM爱好者总是为它们的个别错误开脱,然而最近的苹果研究及其他相关研究和现象,都太过广泛和系统化,让我们无法视而不见了。


他表示,自1998和2001年以来,标准神经网络架构无法可靠地外推和进行形式化推理,一直是自己工作的核心主题。


最后,他再次引用了自己在2001年的《代数心智》一书中的观点——


符号操作,即某些知识通过变量及其上的操作以真正抽象的方式表示,就像我们在代数和传统计算机编程中看到的一样,必须成为AI发展的组成部分。


神经符号AI——将这种机制与神经网络结合起来——很可能是未来前进的必要条件。



总的来看,无论是将乘法拆解为有向图,还是一旦面对应用题中称谓和数字变换就答错,这都反映了大模型在逻辑推理上的本质缺陷。


总之,LLM在背题这件事,算是「人赃俱获」了。


这两项研究也警示我们:正如Meta的AI科学家田渊栋所说,只要大模型还是依赖梯度下降,那么就不要期待它变得不那么愚蠢。


参考资料:


https://www.reddit.com/r/MachineLearning/comments/1g3cumr/d_will_scale_be_enough_to_get_llms_to_reason/


https://garymarcus.substack.com/p/llms-dont-do-formal-reasoning-and?r=17uk7&triedRedirect=true


https://www.answer.ai/posts/2024-07-25-transformers-as-matchers.html


文章来自于微信公众号“新智元”


AITNT资源拓展
根据文章内容,系统为您匹配了更有价值的资源信息。内容由AI生成,仅供参考
1
AI搜索

【开源免费】MindSearch是一个模仿人类思考方式的AI搜索引擎框架,其性能可与 Perplexity和ChatGPT-Web相媲美。

项目地址:https://github.com/InternLM/MindSearch

在线使用:https://mindsearch.openxlab.org.cn/


【开源免费】Morphic是一个由AI驱动的搜索引擎。该项目开源免费,搜索结果包含文本,图片,视频等各种AI搜索所需要的必备功能。相对于其他开源AI搜索项目,测试搜索结果最好。

项目地址:https://github.com/miurla/morphic/tree/main

在线使用:https://www.morphic.sh/

2
免费使用GPT-4o

【免费】ffa.chat是一个完全免费的GPT-4o镜像站点,无需魔法付费,即可无限制使用GPT-4o等多个海外模型产品。

在线使用:https://ffa.chat/

3
微调

【开源免费】XTuner 是一个高效、灵活、全能的轻量化大模型微调工具库。它帮助开发者提供一个简单易用的平台,可以对大语言模型(LLM)和多模态图文模型(VLM)进行预训练和轻量级微调。XTuner 支持多种微调算法,如 QLoRA、LoRA 和全量参数微调。

项目地址:https://github.com/InternLM/xtuner