當前，大語言模型（Large Language Model, LLM）借助上下文學習（In-context Learning）和思維鏈提示（Chain of Thoughts Prompting），在許多復雜推理任務上展現出了強大的能力。

然而，現有研究表明，LLM 在應對噪聲輸入時存在明顯不足：當輸入的問題包含無關內容，或者遭到輕微修改時，模型極容易受到干擾，進而偏離正確的推理方向。如圖 1 左所示，Q1 中的「We know 6+6=12 and 3+7=10 in base 10」 是關于 base-9 計算的噪聲信息，該信息容易誤導模型輸出錯誤的結果。

圖 1. 噪聲問題（Noisy Questions）和噪聲思維鏈（Noisy Rationales）的示例

已有的魯棒研究大多側重于噪聲問題（Noisy Questions），然而，LLM 在噪聲思維鏈（Noisy Rationales）下的推理還沒有得到充分的探究。在本工作中，我們將噪聲思維鏈定義為：包含不相關或者不準確推理步驟的思維鏈，如圖 1 右側 R1 中的「13 + 8 = 21」步驟，對于 base-9 計算來說，是錯誤的推理步驟。

這些噪聲思維鏈通常源自 LLM 的實際應用，比如眾包平臺、對話系統、機器生成數據等場景，人類和機器在推理中都會不可避免地犯錯，從而產生噪聲思維鏈。因此，噪聲思維鏈的實際影響和技術挑戰不容小覷。當前，我們仍然不清楚 LLM 在面對噪聲思維鏈提示時的魯棒性能如何，也缺少有效的應對策略。因此，非常有必要構建一個新的數據集，用于系統評估當前 LLM 在噪聲思維鏈場景下的魯棒性，以及驗證相應的魯棒推理策略。

對此，我們構建了 NoRa 數據集，并進行了大量的實驗評測。結果表明，GPT-3.5-Turbo、Gemini-Pro、Llama2-70B 和 Mixtral-8x7B 等開源或閉源 LLM 都極容易受到噪聲思維鏈的影響。其中，GPT-3.5-Turbo 的準確率至多可降低 40.4%。因此，我們也呼吁大家更多地關注大模型推理的魯棒性問題。

我們的主要貢獻有如下三點：

• 新問題：對當前流行的思維鏈提示技術，我們提出了尚未充分探究的噪聲思維鏈問題（Noisy Rationales），并給出了詳細的問題定義和統一的問題建模；
• 新數據集：我們構建了 NoRa 數據集，用于評測 LLM 在噪聲思維鏈提示下的推理魯棒性。我們使用 NoRa 數據集對 LLM 展開系統評估，揭露了 LLM 推理的魯棒性不足，數據去噪能力非常有限的問題；
• 新方法：我們設計了一種簡單有效的方法（CD-CoT），基于單個正確的思維鏈示例，去糾正噪聲思維鏈并完成推理，并通過大量實驗驗證了方法的有效性。

接下來將從新問題、新數據集、新方法這三個角度，簡要地介紹我們關于大模型推理魯棒性的研究結果，相關論文已發表于 NeurIPS 2024 會議。

• 論文標題：Can Language Models Perform Robust Reasoning in Chain-of-thought Prompting with Noisy Rationales?
• 論文鏈接：https://arxiv.org/pdf/2410.23856
• 代碼鏈接：https://github.com/tmlr-group/NoisyRationales
• slides 鏈接：https://andrewzhou924.github.io/_pages/data/slides-NoRa.pdf

新問題：Noisy Rationales

思維鏈可以有效提升大模型的推理能力 [1]。具體來說，通過給出帶有中間推理步驟的示例，LLM 可以很快地適應到新任務上，而無需進行參數修改（見圖 2 右上角）。現有工作中，通常假設思維鏈包含清楚且正確的推理步驟，但實際情況可能并非如此。

圖 2. 各種 setting 下的模型輸入

目前，已經有許多工作探索了 Noisy Questions 對 LLM 推理性能的影響（見圖 2 左下角），揭示了 LLM 對輸入中微小修改的敏感性 [2,3]。

然而，在人工標注或機器生成的思維鏈中，可能會包含一些與問題不相關或不準確的推理步驟（見圖 2 右下角），這些噪聲思維鏈可能會對推理性能產生負面影響，但目前 LLM 對噪聲思維鏈（Noisy Rationales）的魯棒性依舊未知。

因此，本文提出了新的研究問題 Noisy Rationales：當示例的推理步驟中包含無關的或者不準確的內容時，LLM 的推理魯棒性如何？對這一問題的探索，有助于深入理解和提升 LLM 在非完備場景中的推理能力。

新數據集：NoRa

為了評估 LLM 在噪聲思維鏈下的魯棒性，我們構建了 NoRa（Noisy Rationales）數據集，NoRa 涵蓋了 3 種推理任務類型：數學推理、符號推理和常識推理，共包含 26391 個問題以及 5 種子任務。

一條思維鏈（Rationale）包含多個連續的推理步驟（Thoughts）；噪聲思維鏈（Noisy Rationale）包含的噪聲推理步驟（Noisy Thoughts）被定義為如下兩類（示例見圖 3）：

• 不相關噪聲（Irrelevant Thoughts）是指對解決問題無用的信息，如在推斷親屬關系時討論探討兄弟姐妹之間的基因重疊情況；
• 不準確噪聲（Inaccurate Thoughts）則是推理中的事實性錯誤，如在特定進制計算中使用錯誤的計算規則。

圖 3. NoRa 數據集的樣本

在構建數據集時，我們通過插入 Noisy Thoughts 來生成噪聲思維鏈，這些噪聲僅影響推理鏈的細節，而不改變問題和最終答案的正確性。此外，我們使用不同的噪聲比例（Noise Ratio，即 Noisy Thoughts 占所 Thoughts 的比例，如 0.3、0.5、0.8）來控制任務的困難程度，Noise Ratio 越大任務難度也越大。NoRa 數據集的統計信息如圖 4 所示。

圖 4. NoRa 數據集的統計信息

NoRa 數據集 測評結果

我們以 GPT-3.5-Turbo 為 base model，測試了其在 NoRa 上的表現，并且對比了多種去噪方法。這些去噪方法可以分為兩類：

• 自我糾正方法（Self-correction）：包括 Intrinsic Self-correction (ISC) [4] 和 Self-polish (SP) [5]；
• 自我一致性方法（Self-consistency）：包括 SmoothLLM (SM) [6]，Self-denoise (SD) [7] 和 Self-consistency (SC) [8]。

圖 5. 各種去噪方法 在 NoRa 數據集上的測評結果

實驗結果（圖 5）表明：

1. 無論采取哪種現有方法，LLM 都會受到噪聲思維鏈的嚴重影響。具體來說，存在不相關噪聲時，各方法的性能下降了 0.2% - 25.3%；存在不準確噪聲時，各方法的性能下降了 0.1% - 54.0%；
2. 在 NoRa 的大多數任務中，自我糾正方法的表現不佳；
3. 自一致性方法可以在一定程度上緩解噪聲的影響，但無法做到真正的數據去噪。

此外，我們還進行了各種消融研究，來探索不同因素對 NoRa 數據集評估結果的影響（見圖 6），我們發現：

1. 調整溫度系數可以改善模型在噪聲思維鏈下的推理性能；
2. 使用更多的噪聲示例可以提高大多數任務的推理性能；
3. 不同的大語言模型普遍容易受到噪聲思維鏈的影響。

圖 6. 消融實驗：(左) 溫度系數對性能的影響；(中) 示例個數對性能的影響；(右) 各種模型的性能

新方法：CD-CoT

根據測評結果，大語言模型在應對噪聲思維鏈提示時，其自身的去噪能力非常有限；即便使用自我糾正或自一致性方法，效果仍不理想。

因此，我們認為有必要引入外部監督信號來增強模型魯棒性，且這種監督信號既要足以實現去噪，又要在實際應用中切實可行。對此，我們提出了一種簡單有效的去噪推理方法， CD-CoT（Contrastive Denoising with Noisy Chain of Thoughts）。

CD-CoT 借鑒了對比學習的思路，通過讓 LLM 顯式地對比有噪和干凈的思維鏈，從而識別出噪聲信息。方法主要包括四個關鍵步驟，步驟 1&2 進行顯式的去噪，步驟 3&4 進行精細推理并獲得最終答案。

四個步驟具體如下：

1. 改寫思維鏈：借助一個干凈的思維鏈示例，引導 LLM 通過對比改寫和糾正噪聲思維鏈，并生成多個改寫的思維鏈（見圖 7 step1）；
2. 選擇思維鏈：通過答案匹配，篩選出改寫后答案不變的思維鏈，形成精煉的候選集；再從中隨機選取一定數量的思維鏈，用于后續的推理（見圖 7 step2）；
3. 探索推理鏈：將選取的思維鏈排列成不同的上下文，與目標問題一同輸入給 LLM，并采用較高的溫度參數進行多次重復推理，以探索多樣的推理路徑（見圖 8 step3）；
4. 答案投票：將所有得到的答案進行投票，得到最終答案（見圖 8 step4）。

完整的 CD-CoT 算法請見圖 9。

圖 7. CD-CoT 算法的步驟 1&2

圖 8. CD-CoT 算法的步驟 3&4

圖 9. 完整的 CD-CoT 算法

CD-CoT 實驗結果

我們在 NoRa 數據集上全面測試了 CD-CoT，并對比了多個需要額外監督信息的去噪方法（見圖 10），我們發現：

1. 當面對噪聲思維鏈時，與 base model 相比，CD-CoT 在所有數據集上的性能均有顯著提升，準確率平均提升幅度達到 17.8%；
2. CD-CoT 對高噪聲表現出顯著的抵抗力，尤其在更具挑戰的數學推理任務中。

圖 10. 各種需要額外監督信息的方法 在 NoRa 數據集上的測評結果

此外，通過諸多消融實驗，我們發現：

1. 關于 CD-CoT 超參數的消融實驗結果顯示，干凈的思維鏈示例在 CD-CoT 中扮演著關鍵的角色；當變化 N,M,C 等超參數的取值時，準確性僅呈現出細微的變化（見圖 11）。在論文中，我們默認采用 M 設為 2 的 CD-CoT 示例，以在效率和效果之間取得平衡；
2. CD-CoT 在不同的 LLM 上具有良好的泛化能力，與 base model（GPT-3.5-Turbo 和 Gemini-Pro）相比，其準確率分別提高了 23.4% 和 21.6%，并超越了所有基線方法（見圖 12）。

圖 11. 關于 CD-CoT 超參數的消融研究

圖 12. 關于 CD-CoT 在不同 LLM 上的效果的消融研究

更多的實驗分析和技術細節，請移步參閱我們的論文及源碼，我們也將持續更新本工作的內容。

我們希望通過這項工作，呼吁人們更多地關注 LLM 推理的魯棒性問題，并開展關于大模型推理魯棒性的探討與研究。非常感謝大家關注我們的工作！