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。
與早期模型相比，有更多算力和人類反饋加持的最新模型，在回答可靠性上實際愈加惡化了。
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：
也許隨著時間的推移，這種差異會減少。
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。
我們需要專注于開發(fā)穩(wěn)健的評估方法并提高透明度。
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：
目前沒有讓人類確定 LLMs 可以信任的安全操作條件。
在需要高可靠性以及識別安全操作空間的應用中，這一點尤其令人擔憂。這不禁令人反思：人類正在努力創(chuàng)造的前沿機器智能，是否真的是社會大眾所期望擁有的。
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”）：
相比較早的 LLMs，最新的 LLMs 大幅度地提高了許多錯誤或一本正經(jīng)的胡說八道的答案，而不是謹慎地避開超出它們能力范圍之外的任務。
這也導致一個諷刺的現(xiàn)象：在一些 benchmarks 中，新的 LLMs 錯誤率提升速度甚至遠超于準確率的提升（doge）。
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：
包括 OpenAI 的 o1 模型、Antropicic 的 Claude-3.5-Sonnet 和 Meta 的 LLaMA-3.1-405B。
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：
通用人工智能的設計和開發(fā)需要進行根本性轉(zhuǎn)變，特別是在高風險領(lǐng)域，因為可預測的錯誤分布至關(guān)重要。在此實現(xiàn)之前，依賴人類監(jiān)督是一種危險。
評估模型時，考慮人類認為的難度和評估模型的回避行為，可以更全面地描述模型的能力和風險，而不僅僅關(guān)注在困難任務上的表現(xiàn)。
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：
在 Scaling-up 中，近幾年的 benchmarks 越來越偏向于加入更多困難的例子，或者給予所謂“權(quán)威”來源更多權(quán)重，研究員也因此更傾向于優(yōu)化模型在困難任務上的表現(xiàn)，導致在難度一致性上慢性惡化。
在 shaping-up 中（如 RLHF），被雇傭的人傾向于懲罰那些規(guī)避任務的答案，導致模型更容易在面對自己無法解決的難題時“胡說八道”。
至于如何解決這些不可靠性，論文認為，可以使用人類難度預期去更好的訓練或微調(diào)模型，又或者是利用任務難度和模型自信度去更好的教會模型規(guī)避超出自身能力范圍的難題，等等。
對此，你有何看法？
文章：
https://www.nature.com/articles/s41586-024-07930-y
參考鏈接：
[1]https://x.com/lexin_zhou/status/1838961179936293098
[2]https://huggingface.co/datasets/lexin-zhou/ReliabilityBench
[3]https://lexzhou.github.io/
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。