編輯：桃子喬楊
【新智元導(dǎo)讀】LLM 能否解決「狼-山羊-卷心菜」經(jīng)典過河難題？最近，菲爾茲獎得主 Timothy Gowers 分享了實測 GPT-4o 的過程，模型在最簡單的題目上竟然做錯了，甚至網(wǎng)友們發(fā)現(xiàn)，就連 Claude 3.5 也無法幸免。
在經(jīng)典的「狼-山羊-卷心菜」過河問題上，如今所有的 LLM 都失敗了！
幾天前，菲爾茲獎得主、劍橋大學(xué)研究主任 Timothy Gowers 直接拿 GPT-4o 開刀，去解決動物過河難題。
在此，他給出了一個新的基準(zhǔn) —— 廢話比率（crapness ratio），即 LLM 給出的總答案與正確答案之間的比率。
經(jīng)過測試，Gowers 發(fā)現(xiàn)大模型的廢話比率可以達(dá)到 5 倍。
一開始，他先給出了一個農(nóng)民帶 2 只雞過河，一只船只能容納一個人和 2 個動物，那么農(nóng)夫帶著兩只雞渡河所需的最少渡河次數(shù)是多少？
別說成年人了，就拿低幼小孩子來說，一聽完題目，就立馬給出正確的答案。
搞笑的是，ChatGPT 的回答分解了 5 個步驟，讓人看著極其愚蠢荒謬。
第一次渡河：農(nóng)夫帶著兩只雞一起過河；現(xiàn)狀：農(nóng)夫和兩只雞在河對岸。
第二次渡河：農(nóng)夫把兩只雞留在對岸，然后獨自返回；現(xiàn)狀：農(nóng)夫在起始岸，兩只雞在對岸。
第三次渡河：農(nóng)夫帶一只雞過河；現(xiàn)狀：農(nóng)夫和一只雞在對岸，一只雞在起始岸。
第四次渡河：農(nóng)夫把雞留在對岸，獨自返回；現(xiàn)狀：農(nóng)夫在起始岸，一只雞在對岸。
第五次渡河：農(nóng)夫帶著第二只雞過河。現(xiàn)狀：農(nóng)夫和兩只雞都在對岸。
因此，農(nóng)夫帶兩只雞過河所需的最少次數(shù)是 5 次。
這里，ChatGPT 必須在邏輯上把「農(nóng)民」和人聯(lián)系起來，把「雞」和動物聯(lián)系起來，然后規(guī)劃出最佳的過河次數(shù)。
對此，LeCun 表示，大模型全新基準(zhǔn) —— 廢話比率。
當(dāng)然，也有為 LLM 打抱不平的網(wǎng)友。
他表示，你可以對任何人做類似的事情。如果你愿意，可以讓任何一個人不及格。LLM 與人類的智商相去甚遠(yuǎn)，但把它們放在極端的測試中不會很好地評估它們。
還有人勸誡道，朋友們，現(xiàn)在辭職太早了。
加大難度：100、1000 只雞如何？
為了得到較大的比率，Gowers 這次給出了 100 只雞過河的問題。
這里雖沒有放出具體的解題過程，不過，Gowers 表示，GPT-4o 竟答對了。
接下來，再次加大難度，一個農(nóng)民帶 1000 只雞過河，模型表現(xiàn)怎么樣？
提示是，1000 只雞在河的一邊，農(nóng)夫需要將 999 只雞移到河的另一邊，留下 1 只雞在起點。
然而，他的船上有一個洞，所以在每次渡河開始時，他可以帶上十只雞。但到渡河快結(jié)束時，船里進(jìn)了太多水，如果不想讓任何雞溺水，就只能容納兩只雞。
為了實現(xiàn)目標(biāo)而不讓任何雞溺亡，農(nóng)民最少需要渡河幾次？
Gowers 表示，這次的廢話比率是 125 倍。
隨后，Gowers 展示了相當(dāng)長的例子，卻發(fā)現(xiàn) ChatGPT 的答案比正確答案呈指數(shù)級增長。（然而，這更多與它的數(shù)學(xué)能力有關(guān)，所以有點取巧。）
在網(wǎng)友測試的一個案例中，即使被告知農(nóng)夫根本不需要過河，GPT-4o 仍提出了一個 9 次渡河的復(fù)雜解決方案。
而且它忽視了重要的約束條件，比如不能讓雞單獨和狼在一起，這本來是完全可行的，因為農(nóng)夫根本不需要過河。
Claude 3.5 也失敗了
在接下來的討論中，網(wǎng)友用 Claude 3.5 進(jìn)行了測試，得到了 3 倍的比率。
Gowers 稱，這算是輸了。
另一個測試題中，「一個農(nóng)夫帶著一只羊站在河邊。河上有一條船，可以容納一個人和一只羊。農(nóng)夫怎樣才能用最少的船把自己和羊送到河對岸？」
Claude 3.5 依舊答錯了。
LeCun 在此嘲諷大模型一番，大模型竟可以推理...？
問題在于，LLM 沒有常識，不理解現(xiàn)實世界，也不會規(guī)劃和推理。
LLM 行不行，就看提示了
一位網(wǎng)友分析總結(jié)了，以上 LLM 失敗的原因。他表示，LLM 本身就是個「啞巴」，所以需要很好的提示。上面的提示方式提供了太多不必要的信息，使得 token 預(yù)測變得更加困難。如果給出更清晰的提示，LLM 就能提供更清晰的解決方案。所以，不用擔(dān)心 AGI 會很快出現(xiàn)。
另一位網(wǎng)友同樣發(fā)現(xiàn)，如果用「動物」代替「雞」，那么 Claude 3.5 Sonnet 一下子就解決了這個問題。
對于「狼-山羊-卷心菜」問題也是如此，需要用「通用名稱」替換「實體名稱」。
如下是另一個名詞替換的例子。
或許是模型的訓(xùn)練數(shù)據(jù)誤導(dǎo)了自己，讓問題變得過于復(fù)雜。
對于雞的問題，在相同的提示下一遍又一遍地重復(fù)問題會讓它更好地理解它。網(wǎng)友重復(fù)了 5 次，試了 15 次才得到正確的答案。
菲爾茲獎得主發(fā)現(xiàn) LLM 數(shù)學(xué)缺陷
值得一提的是，發(fā)出渡河問題帖子的這位 Timothy Gowers 不僅是劍橋大學(xué)三一學(xué)院的教授。早在 1998 年，他就因為將泛函分析和組合學(xué)聯(lián)系在一起的研究獲得了菲爾茲獎。
近些年來，他的研究工作開始關(guān)注 LLM 在數(shù)學(xué)推理任務(wù)中的表現(xiàn)。
去年他與別人合著的一篇論文就指出了當(dāng)今 LLM 評估數(shù)學(xué)任務(wù)的缺陷。
文章表示，目前評估 LLM 的標(biāo)準(zhǔn)方法是依賴靜態(tài)的輸入-輸出對，這與人類使用 LLM 的動態(tài)、交互式情境存在較大的差異。
靜態(tài)的評估限制了我們理解 LLM 的工作方式。為此，作者構(gòu)建了交互式評估平臺 CheckMate 和評分?jǐn)?shù)據(jù)集 MathConverse。
在對 GPT-4、InstructGPT 和 ChatGPT 嘗試進(jìn)行評估的過程中，他們果然探測到了 LLM 犯數(shù)學(xué)錯誤的一個可能原因 —— 模型似乎傾向于依賴記憶解題。
在數(shù)學(xué)領(lǐng)域，記住概念和定義是必不可少的，但具體問題的解決更需要一種通用、可概括的理解。
這對于人均做過奧數(shù)題的中國人來說并不難理解。除非考試出原題，單純把例題背下來沒有任何益處，有時候還會誤導(dǎo)思路、適得其反。
作者提出，雖然沒有辦法看到 GPT-4 的訓(xùn)練數(shù)據(jù)，但是從行為來看，強烈懷疑模型是「死記硬背」了看似合理的示例或者解題模式，因而給出了錯誤答案。
他們也發(fā)現(xiàn)，在 LLM 對數(shù)學(xué)問題的回答中，人類感知到的「有用性」和答案本身的「正確性」，這兩個指標(biāo)高度相關(guān)，皮爾遜相關(guān)系數(shù)高達(dá) 0.83。
也許這就是為什么 Gowers 在推文中會用「廢話比率」來調(diào)侃 LLM。
其他測試
事實上，大模型被詬病推理能力已經(jīng)不是一天兩天了。
就在幾周前，研究人員發(fā)現(xiàn)，能用一句話描述的簡單推理問題，就能讓各路大模型以花樣百出的方式翻車。
「愛麗絲有 M 個兄弟，N 個姐妹，請問愛麗絲的兄弟有幾個姐妹？」
如果你的答案是 N+1，那么恭喜你。你的推理能力已經(jīng)超越了當(dāng)今的幾乎所有 LLM。
推特網(wǎng)友還發(fā)現(xiàn)了另一個絆倒幾乎所有 LLM 的簡單問題：（劇透，只有 Claude 3.5 Sonnet 答對了）
「你有一個 3 加侖的水壺和一個 5 加侖的水壺，還有無限量的水。如何準(zhǔn)確測量 5 加侖的水？」
他總結(jié)道，如果想要羞辱 LLM 的推理能力，只需要挑一些流行的推理 / 邏輯謎題，稍微修改一下語言表述，你就能搬起小板凳狂笑了。
OpenAI CTO 曾放話說 GPT-4 已經(jīng)達(dá)到了「聰明高中生」的智力水平，下一代模型要達(dá)到博士水平… 這番言論放在眾多 LLM 失敗案例面前顯得格外諷刺。
我們之所以會如此震驚于 LLM 在簡單的推理任務(wù)上翻車，不僅僅是因為與語言任務(wù)的慘烈對比，更是因為這與各種基準(zhǔn)測試的結(jié)果大相徑庭。
從下面這張圖中可以看到，LLM 在各種基準(zhǔn)測試上的飽和速度越來越快。
幾乎是每提出一個新的測試集，模型就能迅速達(dá)到人類水平（圖中 0.0 邊界）甚至超越，其中不乏非常有挑戰(zhàn)性的邏輯推理任務(wù)，比如需要復(fù)雜多步驟推理的 BBH（Big-Bench Hard）和數(shù)學(xué)應(yīng)用題測試集 GSK8k。
其中的 HellaSwag 測試集，由華盛頓大學(xué)和 Allen AI 在 2019 年推出，專門針對人類擅長但 LLM 一塌糊涂的常識推理問題。
剛剛發(fā)布時，人類在 HellaSwag 上能達(dá)到超過 95% 的準(zhǔn)確率，SOTA 分?jǐn)?shù)卻始終難以超過 48%。
但這種情況并沒有持續(xù)很久。各個維度的分?jǐn)?shù)持續(xù)猛漲，2023 年 3 月，GPT-4 在 HellaSwag 上的各項得分就逼近，甚至超過了人類水平。
為什么在基準(zhǔn)測試上如此驚艷的模型，一遇到現(xiàn)實的數(shù)學(xué)問題就翻車？由于我們對 LLM 的工作原理知之甚少，這個問題的答案也是眾說紛紜。
目前的大部分研究依舊假設(shè) LLM 有這方面的潛力，因此從調(diào)整模型架構(gòu)、增強數(shù)據(jù)、改進(jìn)訓(xùn)練或微調(diào)方法等方面「多管齊下」，試圖解鎖模型在非語言任務(wù)上的能力。
比如上面那個提出用「裝水問題」測試 LLM 的 Rolf 小哥就表示，根本原因是模型的過度訓(xùn)練（也可以理解為過擬合），需要引入多樣化的推理任務(wù)。
也有人從基準(zhǔn)測試的角度出發(fā)，認(rèn)為是數(shù)學(xué)、推理等任務(wù)的測試集設(shè)計得不夠好，
Hacker News 論壇上曾有數(shù)學(xué)家發(fā)文，表示 GSK8k 這種小學(xué)數(shù)學(xué)應(yīng)用題級別的測試根本不能衡量 LLM 的實際數(shù)學(xué)能力。
此外，測試數(shù)據(jù)泄露也是不可忽視的因素。HellaSwag 或者 GSK8k 這樣的公開測試集一旦發(fā)布，很難不流入互聯(lián)網(wǎng)（Reddit 討論、論文、博客文章等等），進(jìn)而被抓取并納入到 LLM 的訓(xùn)練數(shù)據(jù)中。
Jason Wei 在上個月發(fā)表的討論 LLM 基準(zhǔn)測試的博客就專門討論了這個問題。
最極端的一派當(dāng)屬 LeCun 等人了，他們堅稱自回歸 LLM 發(fā)展下去沒有任何出路。
現(xiàn)在的模型沒法推理、規(guī)劃，不能理解物理世界也沒有持久記憶，智能水平還趕不上一只貓，回答不了簡單的邏輯問題實屬意料之中。
LLM 的未來究竟走向何處？最大的未知變量也許就在于，我們是否還能發(fā)現(xiàn)類似思維鏈（CoT）這種解鎖模型性能的「大殺器」了。
參考資料：
https://the-decoder.com/llms-give-ridiculous-answers-to-a-simple-river-crossing-puzzle/
https://www.pnas.org/doi/10.1073/pnas.2318124121
https://claude101.com/llm-large-language-model-benchmarks/
本文來自微信公眾號：新智元（ID：AI_era）
廣告聲明：文內(nèi)含有的對外跳轉(zhuǎn)鏈接（包括不限于超鏈接、二維碼、口令等形式），用于傳遞更多信息，節(jié)省甄選時間，結(jié)果僅供參考，IT之家所有文章均包含本聲明。