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：
 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：
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。 探秘GPT-3到GPT-4進化之路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、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”。  1. SFT：早期GPT進化的推動者首先，在GPT-3系列中，最初的davinci (GPT-3)通過監(jiān)督微調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。 2、RLHF和SFT：編碼能力提升的功臣順著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能夠將pass@100的能力學到pass@1上，即把內在能力（但需要很多次嘗試）轉化到一遍過、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： 言外之意，GPT-4還可以更強。 3、代碼加入預訓練，對推理幫助最大在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。 4、“蹺蹺板”現(xiàn)象通過比較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“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。 幫助大模型從業(yè)者找到方向以上這些發(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： — 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) |
|
|
