大模型長文本能力測試，又有新方法了！

騰訊MLPD實驗室，用全新開源的“數(shù)星星”方法替代了傳統(tǒng)的“大海撈針”測試。

相比之下，新方法更注重對模型處理長依賴關(guān)系能力的考察，對模型的評估更加全面精準(zhǔn)。

利用這種方法，研究人員對GPT-4和國內(nèi)知名的Kimi Chat進行了“數(shù)星星”測試。

結(jié)果，在不同的實驗條件下，兩款模型各有勝負，但都體現(xiàn)出了很強的長文本能力。

△橫軸系以2為底的對數(shù)坐標(biāo)

那么，“數(shù)星星”究竟是怎樣的一種測試呢？

比“大海撈針”更加精準(zhǔn)

首先，研究人員選擇了一段長文本做為上下文，測試過程中長度逐漸遞增，最大為128k。

然后，根據(jù)不同的測試難度需求，整段文本會被劃分成N段，并向其中插入M個包含“星星”的句子。

實驗過程中，研究人員選擇了《紅樓夢》作為上下文文本，向其中加入了“小企鵝數(shù)了x顆星星”這樣的句子，每個句子中的x都各不相同。

然后，模型會被要求找到所有這樣的句子，并以JSON格式輸出其中所有的數(shù)字，且只輸出數(shù)字。

得到模型的輸出之后，研究人員會將這些數(shù)字和Ground Truth進行對比，最終計算出模型輸出的正確率。

相比于之前的“大海撈針”測試，這種“數(shù)星星”的方法更能體現(xiàn)出模型處理長依賴關(guān)系能力。

簡而言之，“大海撈針”中插入多個“針”就是插入多個線索，然后讓大模型找到并串聯(lián)推理多個線索，并獲得最終答案。

但實際的“大海撈多針”測試中，模型并不需要找到所有“針”才能答對問題，甚至有時只需要找到最后一根就可以了。

但“數(shù)星星”則不同——因為每句話中“星星”的數(shù)量都不一樣，模型必須把所有星星都找到才能把問題答對。

所以，雖然看似簡單，但至少在多“針”任務(wù)上，“數(shù)星星”對模型長文本能力有著更為精準(zhǔn)的體現(xiàn)。

那么，有哪些大模型最先接受了“數(shù)星星”測試呢？

GPT-4與Kimi難分高下

參加這場測試的大模型分別是GPT-4和國內(nèi)以長文本能力而知名的大模型Kimi。

在“星星”數(shù)量和文本粒度均為32時，GPT-4的準(zhǔn)確率達到了96.8%，Kimi則有86.4%。

但當(dāng)“星星”增加到64顆時，Kimi則以93.1%的準(zhǔn)確率超過了準(zhǔn)確率為89.7%的GPT-4.

減少到16時，也是Kimi的表現(xiàn)略勝于GPT-4。

而劃分的顆粒度也會對模型的表現(xiàn)造成一些影響，在“星星”同樣出現(xiàn)32次時，顆粒度從32變?yōu)?6，GPT-4的成績有所上升，而Kimi則有所下降。

需要注意的是，在以上的測試中，“星星”的數(shù)量是依次遞增的，但研究人員很快發(fā)現(xiàn)，這種情況下大模型很喜歡“偷懶”——

當(dāng)模型發(fā)現(xiàn)星星數(shù)量是遞增的的時候，即使區(qū)間內(nèi)的數(shù)字是隨機生成，也會引起大模型的敏感度增加。

例如：模型對3、9、10、24、1145、114514這樣的遞增序列會比24、10、3、1145、9、114514更加敏感

所以，研究人員又特意將數(shù)字的順序進行了打亂，重新進行了一次測試。

結(jié)果在打亂之后，GPT-4和Kimi的表現(xiàn)都出現(xiàn)了明顯下降，不過準(zhǔn)確率仍在60%以上，兩者相差8.6個百分點。

One More Thing

這個方法的準(zhǔn)確性可能還需要時間檢驗，但不得不說名字起得真的很有一手。

△英文系同名歌曲Counting Stars歌詞

網(wǎng)友也不禁感嘆，現(xiàn)在關(guān)于大模型的研究，真的是越來越魔幻了。

但魔幻的背后，也體現(xiàn)出人們對于大模型長語境處理能力和性能的了解還不夠充分。

就在前些天，先后有多家大模型廠商宣布推出能夠處理超長文本的模型（雖然不全是基于上下文窗口實現(xiàn)），最高可達上千萬，但實際表現(xiàn)還是未知數(shù)。

而Counting Stars的出現(xiàn)，或許正好有助于我們了解這些模型的真實表現(xiàn)。

那么，你還想看看哪些模型的測試成績呢？

論文地址：https://arxiv.org/abs/2403.11802
GitHub：https://github.com/nick7nlp/Counting-Stars