昨天，一篇系統(tǒng)性地研究了GPT-4為什么會「降智」的論文，引發(fā)了AI圈的廣泛討論。

隨著大家對GPT-4使用得越來越頻繁，用戶每過一段時間都會集中反應(yīng)，GPT-4好像又變笨了。

圖片

最近的情況是，如果用戶不小心和GPT-4說現(xiàn)在是12月份，GPT-4的輸出的內(nèi)容就會明顯變少。

有一位用戶專門做了一個測試，分別告訴GPT-4現(xiàn)在是5月份和12月份，然后對比輸出結(jié)果，發(fā)現(xiàn)12月份的結(jié)果比5月份差了不少。

圖片

大家討論都覺得是說GPT-4會給自己放寒假，看到12月份就不想干活了。

但是如果放在這篇論文中來看，作者認為，最主要的原因是大模型有一個現(xiàn)在看來幾乎是無解的缺陷——缺乏持續(xù)學(xué)習(xí)和進化能力。

圖片

論文地址：https://arxiv.org/abs/2312.16337

我們發(fā)現(xiàn)在LLM在訓(xùn)練數(shù)據(jù)創(chuàng)建日期之前的數(shù)據(jù)集上的表現(xiàn)，要明顯好于在訓(xùn)練日期之后發(fā)布的數(shù)據(jù)集的表現(xiàn)。

圖片

不論是零樣本還是多樣本的測試中，LLM都會呈現(xiàn)出這種情況。

論文還指出，LLM在他們以前真正「見過」的任務(wù)上表現(xiàn)良好，而在新任務(wù)上表現(xiàn)不佳，根本原因還是因為只是記住了答案，而沒有辦法有效地獲得新知識和理解。

而造成這種表現(xiàn)差別如此巨大的原因，就在于「任務(wù)污染」。

圖片

在上表中，作者發(fā)現(xiàn)可以從GPT-3模型中都能提取任務(wù)示例，并且從davinci到GPT-3.5-turbo的每個新版本中，提取的訓(xùn)練示例數(shù)量都在增加，與GPT-3系列模型在這些任務(wù)上的零樣本性能提高密切相關(guān)。

說白了，之所以模型在截止時間之前的數(shù)據(jù)集測試表現(xiàn)良好，是因為訓(xùn)練數(shù)據(jù)中已經(jīng)包含了數(shù)據(jù)集中的問題。

這充分說明了GPT-3系列各個版本在這些任務(wù)上的性能增強是由任務(wù)污染導(dǎo)致的。

對于那些不存在任務(wù)污染證據(jù)的分類任務(wù)，大型語言模型很少能在零樣本和少樣本設(shè)置下顯著優(yōu)于簡單多數(shù)基準(zhǔn)。

在上表中，研究人員也列出對于51個后訓(xùn)練數(shù)據(jù)收集且無提取任務(wù)示例的模型/數(shù)據(jù)集組合中，只有1個組合的模型能在零樣本或少樣本設(shè)置下顯著優(yōu)于多數(shù)基準(zhǔn)。

這說明一旦沒有任務(wù)污染的可能性，LLM的零樣本和少樣本表現(xiàn)其實并不突出。

網(wǎng)友們看了之后悲觀地表示：目前很難構(gòu)建能夠持續(xù)適應(yīng)且不會對已編碼的過去知識和新知識造成災(zāi)難性干擾的機器學(xué)習(xí)模型。

圖片

ChatGPT是過去互聯(lián)網(wǎng)的快照 - 隨著互聯(lián)網(wǎng)的變化，ChatGPT 在有用任務(wù)的知識和性能方面都變得過時了。

OpenAI和大模型公司都必須面對這樣一個事實——他們必須不斷重新訓(xùn)練新模型。

圖片

也許，這就某種程度上為什么沒過一段時間，人們就會發(fā)現(xiàn)ChatGPT又變笨了，也許只是因為你不斷地在用新問題考它，它的真實水品慢慢地被暴露出來了。

測試模型

研究人員針對12個模型進行了測試：

5個OpenAI發(fā)布的GPT模型，7個開源的LLM。

圖片

針對這些模型，他們選取了兩組剛好卡在模型訓(xùn)練時間前后的數(shù)據(jù)集進行了測試。

圖片

測試方法

時序分析

然后研究人員分別測試了不同模型在相同兩組數(shù)據(jù)集上的表現(xiàn)。從結(jié)果可以明顯看出，在模型數(shù)據(jù)訓(xùn)練截止日期之后發(fā)布的數(shù)據(jù)集，零樣本和多樣本性能明顯要差了很多。

圖片

對于12個模型和16個數(shù)據(jù)集，研究人員進行了192個模型/數(shù)據(jù)集組合。

在這些組合中，136 個數(shù)據(jù)集在 LLM 培訓(xùn)數(shù)據(jù)收集日期之前發(fā)布（收集前），56 個數(shù)據(jù)集在之后發(fā)布（收集后）。對于這兩個集合，我們計算模型擊敗大多數(shù)基線（零樣本和少樣本）的模型/數(shù)據(jù)集組合的百分比。

結(jié)果如下圖 1 所示。我們發(fā)現(xiàn)，對于在創(chuàng)建 LLM 之前發(fā)布的數(shù)據(jù)集，LLM 更有可能在零和少數(shù)樣本設(shè)置上擊敗多數(shù)基線。

圖片

針對單個的LLM，進一步發(fā)現(xiàn)：

針對每個LLM單獨進行測試。結(jié)果如上圖2所示。這樣的趨勢在具有全范圍日期的模型中保持不變，進一步表明數(shù)據(jù)集的絕對日期不是主要因素，而是日期數(shù)據(jù)集相對于法學(xué)碩士訓(xùn)練數(shù)據(jù)收集日期的變化是更重要的因素。

任務(wù)示例提取分析

如果LLM能夠生成與測試數(shù)據(jù)中的示例完全匹配的示例，則證明LLM在訓(xùn)練期間已經(jīng)看到了該任務(wù)的測試集。

研究人員采用類似的方法來測試任務(wù)污染。他們不嘗試生成測試數(shù)據(jù)，而是提示模型生成訓(xùn)練示例，因為對于零次或少次評估，模型不應(yīng)在任何任務(wù)示例上進行訓(xùn)練。

如果LLM可以根據(jù)提示生成訓(xùn)練示例，這就是任務(wù)污染的證據(jù)。

下表4顯示了所有模型中所有任務(wù)的任務(wù)示例提取結(jié)果。

圖片

進一步研究人員還發(fā)現(xiàn)，對于沒有被證明存在任務(wù)污染可能性的任務(wù)，LLM很少表現(xiàn)出比大多數(shù)基線具有統(tǒng)計顯著性的改進。

在上表4中，對于收集后且沒有提取任務(wù)示例的 51 個模型/數(shù)據(jù)集組合，51 個模型/數(shù)據(jù)集組合中只有 1 個（即 2%）在零樣本或少樣本設(shè)置的情況下表現(xiàn)出相對于大多數(shù)基線的統(tǒng)計顯著改進。

成員推理分析

為了進一步檢查訓(xùn)練數(shù)據(jù)污染的影響，研究人員應(yīng)用了成員推理來檢查模型生成的內(nèi)容是否與數(shù)據(jù)集中的示例完全匹配。

圖片

上圖5a和圖5b分別顯示了GPT-3系列版本和最新開源 LLM 的采樣訓(xùn)練集和完整開發(fā)集生成的示例有多少是完全相同的。

因為數(shù)據(jù)庫模式（atabase schemas ）不在零樣本提示中，因此如果模型可以生成與訓(xùn)練或開發(fā)數(shù)據(jù)中完全相同的表名或字段名，則一定存在污染。

如圖5所示，精確匹配生成的示例數(shù)量隨著時間的推移而增加，這表明Spider上的任務(wù)污染程度正在增加。

他們還在提示中添加模式后計算執(zhí)行準(zhǔn)確性，并將其與完全匹配的代數(shù)進行繪制（圖 6）。我們發(fā)現(xiàn)完全匹配的生成示例數(shù)量與執(zhí)行準(zhǔn)確性之間存在很強的正相關(guān)性（?? = 0.88），這強烈表明污染的增加與性能的提高有關(guān)。

圖片

參考資料：

https://arxiv.org/abs/2312.16337