豐色 克雷西 發(fā)自 凹非寺
量子位 | 公眾號 QbitAI
GPT-3究竟是如何進化到GPT-4的？
字節(jié)給OpenAI所有大模型來了個“開盒”操作。
結果還真摸清了GPT-4進化路上一些關鍵技術的具體作用和影響。
比如：
創(chuàng)業(yè)后忙得不可開交的AI大牛李沐看完，也久違地出現(xiàn)在公眾視野，并給這項研究點了個贊。
網(wǎng)友們更是盛贊：
這是迄今為止第一個充分開盒OpenAI所有模型的工作，respect。
而除了一些新發(fā)現(xiàn)，它還坐實了一些已有猜想：
比如GPT-4在變笨并非危言聳聽，這項評測發(fā)現(xiàn)GPT進化路上出現(xiàn)了明顯的“蹺蹺板現(xiàn)象”，即模型進化過程中一部分能力提升另一部分下降。
這和網(wǎng)友此前的感受不謀而合。
如作者本人表示：
這項工作可以為GPT-3到GPT-4的演化路徑提供寶貴的見解。
言外之意，通過它我們可以一窺GPT模型的“成功之道”，為接下來的大模型構建工作提供有效經(jīng)驗。
那么，具體它都“開”出了哪些東西，我們扒開論文來看。
最開頭的進化圖由作者們根據(jù)公開信息總結得出。
可以看到，它標注了每一個中間模型是經(jīng)過哪些技術（如代碼微調(diào)、SFT/FeedME等）一路從最初的GPT-3進化到3.5再到如今的4。
這些技術具體起到了多大影響，從davinci到gpt-4-0613，字節(jié)對每代GPT的數(shù)學、編碼、推理等7大能力全部測了個“底朝天”。
首先，在GPT-3系列中，最初的davinci (GPT-3)通過監(jiān)督微調(diào)SFT和其變體FeedME進化為了text-davinci-001。
這讓后者在幾乎全部任務上都獲得了性能提升：
更直觀的表現(xiàn)如下圖所示（“粉圈”為進化后的text-davinci-001）。
接著，GPT開始進入3.5系列，在該系列早期階段，先是最基礎的code-davinci002采用同樣的技術進化成text-davinci-002。
然而這一進化操作的效果屬實不大，GPT的各項性能只有少數(shù)幾個提升，更多是不增反減的。
在此，作者引出他們的第一個結論，即：
SFT只在較弱的基礎模型上管用，用在更強的模型上收效甚微。
類似現(xiàn)象在開源模型身上也可見（這個評測還測了Llama1和2、PaLM2-L、Claude 2等模型）：
在初代Llama-65B之上，SFT成功提升了它在MMLU基準上的性能，但是，所有使用了SFT改進的Llama2-70B在Open LLM Leaderboard榜單上卻只表現(xiàn)出微小的進步。
總結：在GPT3階段，SFT技術對模型的進化起到了關鍵作用。
順著GPT3.5系列接著看，從text-davinci-002開始，OpenAI開始引入新技術基于PPO算法的RLHF，得到text-davinci-003。
此時，它在大部分基準上的表現(xiàn)和前代模型持平或略變差，說明作用不是特別明顯（在開源模型身上也是如此）。
但有一個除外：編碼任務，最高足足增加了近30分。
聯(lián)想到前面code-davinci002采用SFT技進化成text-davinci-002造成整體性能下降時，編碼任務也沒受影響，反而還漲分了——
作者決定驗證SFT和RLHF對大模型編碼能力的影響。
在此，他們測量了幾代GPT模型的pass@1（采樣1次通過的概率）、pass@100（采樣100次通過的概率）等分數(shù)。
結果是與基礎模型相比，使用了SFT和RLHF技術的模型在pass@1上出現(xiàn)了大幅提升，而在pass@100上略有下降。
這說明啥呢？
作者解釋：
pass@100刻畫的是模型內(nèi)在coding能力，而pass@1代表的是模型一遍過、bug-free的coding能力。
pass@100小幅下降表明SFT和RLHF在編碼任務上和其它任務一樣，仍然有所謂的對齊稅（alignment tax）。
不過，SFT和RLHF能夠?qū)ass@100的能力學到pass@1上，即把內(nèi)在能力（但需要很多次嘗試）轉(zhuǎn)化到一遍過、bug-free的coding能力，致使pass@1大幅提升。
而再仔細看結果，可以發(fā)現(xiàn)gpt-3.5-turbo-0301通過SFT和RLHF，大幅提升了pass@1，這對于小模型的性能優(yōu)化是個好消息。
這還沒完，鑒于作者之前觀察到GPT-4在一些復雜推理任務上經(jīng)過多次嘗試才能解決問題。
他們結合上面的觀察，總結為：
LLM仍可以通過SFT和RLHF，不斷將內(nèi)在能力（但需要多次嘗試）轉(zhuǎn)化成一次性解決問題的能力，不斷逼近LLM的能力上限。
言外之意，GPT-4還可以更強。
在GPT4進化之路上，還出現(xiàn)了2個特別的模型：
code-cushman-001 (Codex-12B) 和code-davinci-002。
前者是OpenAI初次嘗試使用代碼數(shù)據(jù)訓練模型，盡管它的規(guī)模較小，但也取得了不錯的代碼能力。
后者是GPT3.5的基座模型，它是在GPT3的基礎上使用RLHF+代碼訓練的結果，也就是文本和代碼混合預訓練。
可以看到，它大幅超越GPT-3（不止是編碼能力）、在一些推理任務上（如BBH）表現(xiàn)甚至可以超過后面的gpt-3.5-turbo-0613。
作者表示：
這表明預訓練加入代碼數(shù)據(jù)可以全面提升LLM的能力，尤其是推理能力。
通過比較2023年3月和2023年6月的OpenAI API模型，我們確實可以發(fā)現(xiàn)這一現(xiàn)象：
與gpt-3.5-turbo-0301相比，升級后的gpt-3.5-turbo-0613在HumanEval上表現(xiàn)出色（53.9 -> 80.0），但在MATH上卻大幅下降（32.0 -> 15.0）。
gpt-4-0613在DROP上的表現(xiàn)優(yōu)于gpt-4-0314 (78.7 -> 87.2) ，但在MGSM上也出現(xiàn)了直線下降(82.2 -> 68.7) 。
作者認為：
“蹺蹺板現(xiàn)象”可能成為LLM通往AGI之路的絆腳石，因為AGI強調(diào)“通用智能”，要在所有task上都有優(yōu)異的性能，要求模型不能“偏科”。
在此，他們也呼吁社區(qū)重視這個問題，共同推進大模型平衡發(fā)展的研究。
以上這些發(fā)現(xiàn)，全部基于GPT-Fathom——
字節(jié)最新提出的一個大模型評測工具。
想必大家肯定疑問：
大模型排行榜和評測工具已經(jīng)有很多了，為什么還要提出一個新的方法？
作者介紹，相比已有的測評方式，GPT-Fathom尺度更加統(tǒng)一，結果具有可重現(xiàn)性。
大模型從業(yè)者可以借助它來明確自己與領先模型的差距到底在什么地方，從而有的放矢地完善自己的產(chǎn)品。
具體來看，GPT-Fathom主要是解決了其他大模型評測方法的三個不足：
為了更直觀體現(xiàn)GPT-Fatham的特點，作者對比了一些具體的現(xiàn)有榜單，可以總結成下面這個表格：
其中，對敏感性的評測就發(fā)現(xiàn)了此前的測試標準沒能找出的問題。
相比于GPT，其他模型對提示詞的敏感度很高，稍有變化就會導致輸出截然不同，提示其他模型的魯棒性和GPT之前還存在很大差距。
比如在TriviaQA數(shù)據(jù)集上，提示詞的細微改變就讓Llama 2-70B的得分下降四分之一，而GPT系列模型則沒有明顯變化。
此外諸如CoT、樣本數(shù)量以及采樣方差等因素也都被包括進了敏感性測試當中。
未來，作者計劃從能力種類、測試數(shù)據(jù)集和模型三個維度繼續(xù)擴展GPT-Fathom，將支持多輪對話、多模態(tài)等能力的測評，以及增加對多個數(shù)據(jù)集和模型的測試。
GPT-Fatham的兩位共同一作分別是字節(jié)公司應用機器學習研究組的研究人員張馭宇（Yuyu Zhang）和實習生Shen Zheng。
Shen Zheng是伊利諾伊大學香檳分校（UIUC）的一名碩士生。
此外，字節(jié)公司的Yijie Zhu等四名研究人員，以及UIUC的Kevin Chen-Chuan Chang教授也參與了這項研究。
論文地址：
https://arxiv.org/abs/2309.16583
參考鏈接：
https://github.com/GPT-Fathom/GPT-Fathom
— 完 —
量子位 QbitAI · 頭條號簽約
關注我們，第一時間獲知前沿科技動態(tài)
聯(lián)系客服
