設(shè)置
  • 日夜間
    隨系統(tǒng)
    淺色
    深色
  • 主題色

大模型測試題爆火,GPT-4 和 Claude3 都跪了,LeCun 轉(zhuǎn)發(fā):新 Benchmark

量子位 2024/6/24 17:02:02 責(zé)編:清源

一項新的“大模型 Benchmark”在推特上爆火,LeCun 也點贊轉(zhuǎn)發(fā)了!

而且無論是 GPT-4 還是 Claude 3,面對它都如同被奪了魂,無法給出正確答案。

難倒一眾大模型的,是邏輯學(xué)當(dāng)中經(jīng)典的“動物過河”問題,有網(wǎng)友發(fā)現(xiàn),大模型對此類問題表現(xiàn)得很不擅長。

甚至有人觀察到,幾個不同的模型都給出了一致的(錯誤)答案,讓人懷疑他們是不是用了相同的訓(xùn)練數(shù)據(jù)。

針對這項測試,網(wǎng)友還定義了一個新的名詞叫“劣效比率”(crapness ratio),讓 LeCun 打趣說到,一項新的“Benchmark”誕生了。

“模見模愁”的動物過河

首先來看一下什么是“動物過河”問題,這是邏輯學(xué)當(dāng)中的一道經(jīng)典題目。

問題的原型是這樣的:

農(nóng)夫需要把狼、羊和白菜都帶過河,但每次只能帶一樣物品,而且狼和羊不能單獨相處,羊和白菜也不能單獨相處,問農(nóng)夫該如何過河。

在這個問題當(dāng)中,農(nóng)夫需要七次(往返視為兩次)過河 —— 先把羊運過去,然后空船返回,再把狼運過河,帶回羊,然后運送白菜,再空船返回,最后運送羊。

而劣效比率的定義,就是模型給出的運送次數(shù)與實際最少所需次數(shù)的比值。

當(dāng)然在測試中,網(wǎng)友使用的問題經(jīng)過了改編,結(jié)果發(fā)現(xiàn),當(dāng)題目變成一共有兩只雞,一次可以運兩只的時候,GPT-4 依然在一本正經(jīng)地胡亂分析,最后信誓旦旦地回答是五次。

所以在這種情境下,“劣效比率”就是 5。

Claude 這邊的情況要更離譜一些,明明只有一只羊要送,它卻硬生生說要運三次。

還有網(wǎng)友發(fā)現(xiàn)了華點,把題面改成從東岸運到東岸,也就是根本不需要運送,模型不以為然,依舊我行我素地籌劃著運送方案。

這下只要模型沒識破陷阱,隨便說一個數(shù)“劣效比率”都會直接變成無窮大。

哪怕問得更直白一些,直接說不需要過河,模型依然會直接開算。

所以,這個“劣效比率”更多像是一種玩笑,不太能比較出各模型的能力,或者說離譜程度。

有網(wǎng)友分析,這種現(xiàn)象可能并不意味著大模型推理能力的缺乏,實際上它揭示了訓(xùn)練數(shù)據(jù)對大模型輸出的影響。

但另一方面,無論問題是否出自推理本身,至少說明了當(dāng)前的大模型還不是優(yōu)質(zhì)的推理工具。

那么,這究竟是個別現(xiàn)象,還是模型的通???我們選擇了更多的模型進行了測試。

12 款模型全軍覆沒

針對這個“Benchmark”,也如法炮制,測了測國產(chǎn)大模型的表現(xiàn),參賽的選手有文心一言、通義千問等 12 款大模型。

測試的過程和網(wǎng)友展示的方法相似,Prompt 中只描述問題,不添加額外的提示詞。

對每個大模型,我們都準備了下面這三道題目:

首先進行一下說明:

1、農(nóng)夫不被計入運送物品的數(shù)量限制

2、題目中“獨處”的標(biāo)準是,只要有人或其他物品在場,就不屬于獨處

3、往返過程視為兩次過河

以上幾點在 Prompt 中均有指出。

問題一(正常提問):

一個農(nóng)夫需要將狼、羊、狐貍、雞和米五種物品運送過河,每次只能帶兩件,且狼和羊 / 狐貍和雞 / 雞和米不能單獨相處,每次運送時農(nóng)夫必須在船上,最少需要過河幾次?

(答案:五次,只要第一次運到對岸的兩個物品可以獨處即可。)

問題二(一步到位):

一個農(nóng)夫需要將狼、羊、狐貍、雞和米五種物品運送過河,每次只能帶五件,且狼和羊 / 狐貍和雞 / 雞和米不能單獨相處,每次運送時農(nóng)夫必須在船上,最少需要過河幾次?

問題三(陷阱問題):

一個農(nóng)夫需要將狼、羊、狐貍、雞和米五種物品運送過河,每次只能帶兩件,且狼和羊 / 狐貍和雞 / 雞和米不能單獨相處,每次運送時農(nóng)夫必須在船上,最少需要過河幾次?

結(jié)果可以說是全軍覆沒,首先用一張表格來整體看下各大模型的表現(xiàn)。

第一個問題,各有各的錯法,相同的錯誤類型,這里每種只列舉一個例子。

比如文心一言,前面說得沒什么問題,但最后把狐貍帶回原來的岸邊后忘了再帶過去,最終沒有完成任務(wù):

還有訊飛星火這種運著運著,某樣?xùn)|西自動就跑到了對岸的情況:

以上的兩種錯誤比較典型,當(dāng)然,還有最有意思的錯誤來自躍問 ——

因為狼和羊不能“獨處”,所以它們需要在一起。

這波屬實是把人給整不會了,不過整場測試中,除了這個把“獨處”理解錯的情況之外,倒是都沒有出現(xiàn)讓不能獨處的動物單獨在一起的現(xiàn)象。

當(dāng)然也有表現(xiàn)好一些的,比如騰訊元寶的方案已經(jīng)接近可行,只是最后兩步純屬多余,而且實際上此時已經(jīng)無物可運。

表現(xiàn)最好的是通義千問,給出的方案雖然麻煩,但是找不出什么錯誤。

值得注意的是,很多模型給出的方案都會把羊運送過去,然后運一只雞再把羊運回來,不知道為什么不直接運雞。

另外值得一提的是,我們在 Prompt 中雖未提及,但基本上接受測試的模型都不約而同地運用到了思維鏈方式,一方面說明了模型確實會使用推理技巧,但另一方面也說明思維鏈的作用是有限的。

而至于后面兩個問題,錯法就比較統(tǒng)一了 —— 根本沒關(guān)注到數(shù)量限制的變化,更沒看到“不需要”里的“不”,和前面 GPT 的錯法也是如出一轍。

也就是說,通過這些測試,我們確實無法得知模型有沒有相應(yīng)的推理能力,因為模型根本就沒仔細讀題。

或許這也是在第一題中,多數(shù)模型,哪怕給出了可行的方案,仍然一次只運送一件物品而不是兩件的原因。

所以,前面網(wǎng)友針對訓(xùn)練數(shù)據(jù)和輸出關(guān)系的分析,可能不無道理。

參考鏈接:

  • [1]https://x.com/wtgowers/status/1804565549789135256

  • [2]https://x.com/ylecun/status/1804641976249417882

本文來自微信公眾號:量子位(ID:QbitAI),作者:克雷西

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。

相關(guān)文章

關(guān)鍵詞:人工智能,大模型

軟媒旗下網(wǎng)站: IT之家 最會買 - 返利返現(xiàn)優(yōu)惠券 iPhone之家 Win7之家 Win10之家 Win11之家

軟媒旗下軟件: 軟媒手機APP應(yīng)用 魔方 最會買 要知