GPT-4變笨!回答新問題性能太差,想保持水準(zhǔn)只能不斷訓(xùn)練新模型
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: