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(yù)期不符。

換句話說，“LLMs在用戶預(yù)料不到的地方既成功又（更危險地）失敗”。

Ilya Sutskever2022年曾預(yù)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(dān)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(rèn)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(rèn)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(yù)期它們會失敗的地方失?。?br>2、任務(wù)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(wù)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(yù)期一致）

然而，這些模型仍然無法解決許多非常簡單的任務(wù)。

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(wù)上的性能，而對于更簡單任務(wù)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(yù)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(yīng)用中，這一點尤其令人擔(dān)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(jǐn)慎地避開超出它們能力范圍之外的任務(wù)。

這也導(dǎo)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(yuǎn)超于準(zhǔn)確率的提升（doge）。

一般來說，人類面對越難的任務(wù)，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(dǎo)致用戶最初過度依賴LLMs來完成他們不擅長的任務(wù)，但讓他們從長遠(yuǎn)來看感到失望。

后果就是，人類還需要驗證模型輸出的準(zhǔn)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(biāo)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(dǎo)致不同程度的準(zhǔn)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(wù)有效，但同時對低難度任務(wù)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(zhǔn)確評估模型的輸出。

結(jié)果顯示，在用戶認(rèn)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(wù)，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(zhǔn)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(xué)問題（“科學(xué)”）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(xué)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(xué)獲得了數(shù)據(jù)科學(xué)學(xué)士學(xué)位，指導(dǎo)老師是Jose Hernandez-Orallo教授。

個人主頁顯示，他曾有多段工作實習(xí)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(shè)計和開發(fā)需要進行根本性轉(zhuǎn)變，特別是在高風(fēng)險領(lǐng)域，因為可預(yù)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(rèn)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(fēng)險，而不僅僅關(guān)注在困難任務(wù)上的表現(xiàn)。

論文也具體提到了導(dǎo)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(wù)上的表現(xiàn)，導(dǎo)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(wù)的答案，導(dǎo)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(rèn)為，可以使用人類難度預(yù)期去更好的訓(xùn)練或微調(diào)模型，又或者是利用任務(wù)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