首页 产业新闻 菲尔兹奖得主亲测GPT-4o,经典过河难题破解失败!最强Claude 3.5回答离谱,LeCun嘲讽LLM

菲尔兹奖得主亲测GPT-4o,经典过河难题破解失败!最强Claude 3.5回答离谱,LeCun嘲讽LLM

产业新闻 17

    【新智元导读】LLM能否解决「狼-山羊-卷心菜」经典过河难题?最近,菲尔兹奖得主Timothy Gowers分享了实测GPT-4o的过程,模型在最简单的题目上竟然做错了,甚至网友们发现,就连Claude3.5也无法幸免。

    在经典的「狼-山羊-卷心菜」过河问题上,如今所有的LLM都失败了!

    几天前,菲尔兹奖得主、剑桥大学研究主任Timothy Gowers直接拿GPT-4o开刀,去解决动物过河难题。

    在此,他给出了一个新的基准——废话比率(crapness ratio),即LLM给出的总答案与正确答案之间的比率。

    经过测试,Gowers发现大模型的废话比率可以达到5倍。

    一开始,他先给出了一个农民带2只鸡过河,一只船只能容纳一个人和2个动物,那么农夫带着两只鸡渡河所需的最少渡河次数是多少?

    别说成年人了,就拿低幼小孩子来说,一听完题目,就立马给出正确的答案。

    搞笑的是,ChatGPT的回答分解了5个步骤,让人看着极其愚蠢荒谬。

    第一次渡河:农夫带着两只鸡一起过河;现状:农夫和两只鸡在河对岸。

    第二次渡河:农夫把两只鸡留在对岸,然后独自返回;现状:农夫在起始岸,两只鸡在对岸。

    第三次渡河:农夫带一只鸡过河;现状:农夫和一只鸡在对岸,一只鸡在起始岸。

    第四次渡河:农夫把鸡留在对岸,独自返回;现状:农夫在起始岸,一只鸡在对岸。

    第五次渡河:农夫带着第二只鸡过河。现状:农夫和两只鸡都在对岸。

    因此,农夫带两只鸡过河所需的最少次数是5次。

    这里,ChatGPT必须在逻辑上把「农民」和人联系起来,把「鸡」和动物联系起来,然后规划出最佳的过河次数。

    对此,LeCun表示,大模型全新基准——废话比率。

    当然,也有为LLM打抱不平的网友。

    他表示,你可以对任何人做类似的事情。如果你愿意,可以让任何一个人不及格。LLM与人类的智商相去甚远,但把它们放在极端的测试中不会很好地评估它们。

    还有人劝诫道,朋友们,现在辞职太早了。

    加大难度:100、1000只鸡如何?

    为了得到较大的比率,Gowers这次给出了100只鸡过河的问题。

    这里虽没有放出具体的解题过程,不过,Gowers表示,GPT-4o竟答对了。

    接下来,再次加大难度,一个农民带1000只鸡过河,模型表现怎么样?

    提示是,1000只鸡在河的一边,农夫需要将999只鸡移到河的另一边,留下1只鸡在起点。

    然而,他的船上有一个洞,所以在每次渡河开始时,他可以带上十只鸡。但到渡河快结束时,船里进了太多水,如果不想让任何鸡溺水,就只能容纳两只鸡。

    为了实现目标而不让任何鸡溺亡,农民最少需要渡河几次?

    Gowers表示,这次的废话比率是125倍。

    随后,Gowers展示了相当长的例子,却发现ChatGPT的答案比正确答案呈指数级增长。(然而,这更多与它的数学能力有关,所以有点取巧。)

    在网友测试的一个案例中,即使被告知农夫根本不需要过河,GPT-4o仍提出了一个9次渡河的复杂解决方案。

    而且它忽视了重要的约束条件,比如不能让鸡单独和狼在一起,这本来是完全可行的,因为农夫根本不需要过河。

    Claude3.5也失败了

    在接下来的讨论中,网友用Claude3.5进行了测试,得到了3倍的比率。

    Gowers称,这算是输了。

    另一个测试题中,「一个农夫带着一只羊站在河边。河上有一条船,可以容纳一个人和一只羊。农夫怎样才能用最少的船把自己和羊送到河对岸?」

    Claude3.5依旧答错了。

    LeCun在此嘲讽大模型一番,大模型竟可以推理...?

    问题在于,LLM没有常识,不理解现实世界,也不会规划和推理。

    LLM行不行,就看提示了

    一位网友分析总结了,以上LLM失败的原因。

    他表示,LLM本身就是个「哑巴」,所以需要很好的提示。

    上面的提示方式提供了太多不必要的信息,使得token预测变得更加困难。

    如果给出更清晰的提示,LLM就能提供更清晰的解决方案。所以,不用担心AGI会很快出现。

    另一位网友同样发现,如果用「动物」代替「鸡」,那么Claude3.5Sonnet一下子就解决了这个问题。

    对于「狼-山羊-卷心菜」问题也是如此,需要用「通用名称」替换「实体名称」。

    如下是另一个名词替换的例子。

    或许是模型的训练数据误导了自己,让问题变得过于复杂。

    对于鸡的问题,在相同的提示下一遍又一遍地重复问题会让它更好地理解它。网友重复了5次,试了15次才得到正确的答案。

    菲尔兹奖得主发现LLM数学缺陷

    值得一提的是,发出渡河问题帖子的这位Timothy Gowers不仅是剑桥大学三一学院的教授。早在1998年,他就因为将泛函分析和组合学联系在一起的研究获得了菲尔兹奖。

    近些年来,他的研究工作开始关注LLM在数学推理任务中的表现。

    去年他与别人合著的一篇论文就指出了当今LLM评估数学任务的缺陷。

    论文地址//www.pnas.org/doi/10.1073/pnas.2318124121

    文章表示,目前评估LLM的标准方法是依赖静态的输入-输出对,这与人类使用LLM的动态、交互式情境存在较大的差异。

    静态的评估限制了我们理解LLM的工作方式。为此,作者构建了交互式评估平台CheckMate和评分数据集MathConverse。

    在对GPT-4、InstructGPT和ChatGPT尝试进行评估的过程中,他们果然探测到了LLM犯数学错误的一个可能原因——模型似乎倾向于依赖记忆解题。

    在数学领域,记住概念和定义是必不可少的,但具体问题的解决更需要一种通用、可概括的理解。

    这对于人均做过奥数题的中国人来说并不难理解。除非考试出原题,单纯把例题背下来没有任何益处,有时候还会误导思路、适得其反。

    作者提出,虽然没有办法看到GPT-4的训练数据,但是从行为来看,强烈怀疑模型是「死记硬背」了看似合理的示例或者解题模式,因而给出了错误答案。

    他们也发现,在LLM对数学问题的回答中,人类感知到的「有用性」和答案本身的「正确性」,这两个指标高度相关,皮尔逊相关系数高达0.83。

    也许这就是为什么Gowers在推文中会用「废话比率」来调侃LLM。

    其他测试

    事实上,大模型被诟病推理能力已经不是一天两天了。

    就在几周前,研究人员发现,能用一句话描述的简单推理问题,就能让各路大模型以花样百出的方式翻车。

    论文地址//arxiv.org/abs/2406.02061

    「爱丽丝有M个兄弟,N个姐妹,请问爱丽丝的兄弟有几个姐妹?」

    如果你的答案是M+1,那么恭喜你。你的推理能力已经超越了当今的几乎所有LLM。

    推特网友还发现了另一个绊倒几乎所有LLM的简单问题:(剧透,只有Claude3.5Sonnet答对了)

    「你有一个3加仑的水壶和一个5加仑的水壶,还有无限量的水。如何准确测量5加仑的水?」

    他总结道,如果想要羞辱LLM的推理能力,只需要挑一些流行的推理/逻辑谜题,稍微修改一下语言表述,你就能搬起小板凳狂笑了。

    OpenAI CTO曾放话说GPT-4已经达到了「聪明高中生」的智力水平,下一代模型要达到博士水平…这番言论放在众多LLM失败案例面前显得格外讽刺。

    我们之所以会如此震惊于LLM在简单的推理任务上翻车,不仅仅是因为与语言任务的惨烈对比,更是因为这与各种基准测试的结果大相径庭。

    从下面这张图中可以看到,LLM在各种基准测试上的饱和速度越来越快。

    几乎是每提出一个新的测试集,模型就能迅速达到人类水平(图中0.0边界)甚至超越,其中不乏非常有挑战性的逻辑推理任务,比如需要复杂多步骤推理的BBH(Big-Bench Hard)和数学应用题测试集GSK8k。

    其中的HellaSwag测试集,由华盛顿大学和Allen AI在2019年推出,专门针对人类擅长但LLM一塌糊涂的常识推理问题。

    刚刚发布时,人类在HellaSwag上能达到超过95%的准确率,SOTA分数却始终难以超过48%。

    但这种情况并没有持续很久。各个维度的分数持续猛涨,2023年3月,GPT-4在HellaSwag上的各项得分就逼近,甚至超过了人类水平。

    https://rowanzellers.com/hellaswag/

    为什么在基准测试上如此惊艳的模型,一遇到现实的数学问题就翻车?

    由于我们对LLM的工作原理知之甚少,这个问题的答案也是众说纷纭。

    目前的大部分研究依旧假设LLM有这方面的潜力,因此从调整模型架构、增强数据、改进训练或微调方法等方面「多管齐下」,试图解锁模型在非语言任务上的能力。

    比如上面那个提出用「装水问题」测试LLM的Rolf小哥就表示,根本原因是模型的过度训练(也可以理解为过拟合),需要引入多样化的推理任务。

    也有人从基准测试的角度出发,认为是数学、推理等任务的测试集设计得不够好,

    Hacker News论坛上曾有数学家发文,表示GSK8k这种小学数学应用题级别的测试根本不能衡量LLM的实际数学能力。

    此外,测试数据泄露也是不可忽视的因素。HellaSwag或者GSK8k这样的公开测试集一旦发布,很难不流入互联网(Reddit讨论、论文、博客文章等等),进而被抓取并纳入到LLM的训练数据中。

    Jason Wei在上个月发表的讨论LLM基准测试的博客就专门讨论了这个问题。

    文章地址//www.jasonwei.net/blog/evals

    最极端的一派当属LeCun等人了,他们坚称自回归LLM发展下去没有任何出路。

    现在的模型没法推理、规划,不能理解物理世界也没有持久记忆,智能水平还赶不上一只猫,回答不了简单的逻辑问题实属意料之中。

    LLM的未来究竟走向何处?最大的未知变量也许就在于,我们是否还能发现类似思维链(CoT)这种解锁模型性能的「大杀器」了。

    参考资料:

    https://the-decoder.com/llms-give-ridiculous-answers-to-a-simple-river-crossing-puzzle/

    https://www.pnas.org/doi/10.1073/pnas.2318124121

    https://claude101.com/llm-large-language-model-benchmarks/