最新研究揭示,盡管大語(yǔ)言模型LLMs在語(yǔ)言理解上表現(xiàn)出色,但在邏輯推理方面仍有待提高。為此,研究者們推出了GLoRE,一個(gè)全新的邏輯推理評(píng)估基準(zhǔn),包含12個(gè)數(shù)據(jù)集,覆蓋三大任務(wù)類(lèi)型。
實(shí)驗(yàn)對(duì)比發(fā)現(xiàn),GPT-4在邏輯推理上的表現(xiàn)遠(yuǎn)超ChatGPT,但與人類(lèi)表現(xiàn)和有監(jiān)督的微調(diào)相比,仍有提高空間。
為此,研究者提出了自我一致性探測(cè)方法(self-consistency probing method)來(lái)進(jìn)一步提升ChatGPT的準(zhǔn)確性,并通過(guò)微調(diào)策略,進(jìn)一步增強(qiáng)大型語(yǔ)言模型的邏輯推理能力。
讓我們一起看看這篇研究吧!
GLoRE基準(zhǔn)
邏輯推理,作為人類(lèi)智能的核心,長(zhǎng)期以來(lái)都是AI研究的熱點(diǎn)。為了更好地評(píng)估LLMs在自然語(yǔ)言中處理復(fù)雜信息的能力,研究人員推出了通用邏輯推理評(píng)估(GLoRE)基準(zhǔn)。與眾所周知的GLUE和Super-GLUE評(píng)估自然語(yǔ)言理解能力類(lèi)似,GLoRE匯集了多個(gè)邏輯推理數(shù)據(jù)集。
GLoRE主要包括三大任務(wù):
多項(xiàng)選擇閱讀理解:系統(tǒng)給定段落和問(wèn)題,目的是從答案中選擇正確的選項(xiàng)。特別地,GLoRE包括五個(gè)此類(lèi)數(shù)據(jù)集,如LogiQA、ReClor、AR-LSAT等。
自然語(yǔ)言推斷(NLI):確定假設(shè)與前提之間的邏輯關(guān)系。包括ConTRoL、HELP、TaxiNLI等數(shù)據(jù)集。
真或假問(wèn)題(TF):如FraCaS、RuleTaker和ProofWriter等數(shù)據(jù)集。
這些數(shù)據(jù)集涵蓋了從簡(jiǎn)單到復(fù)雜的各種邏輯推理情境,為我們?cè)u(píng)估大型語(yǔ)言模型的邏輯推理能力提供了合適的平替。其中,多項(xiàng)選擇閱讀理解深入探討了邏輯MRC問(wèn)題,而NLI任務(wù)關(guān)注文本分類(lèi)中的蘊(yùn)涵關(guān)系。而真或假問(wèn)題主要測(cè)試了模型在多前提上下文的蘊(yùn)涵問(wèn)題上的處理能力。
實(shí)驗(yàn)設(shè)置
在這篇研究中,研究人員針對(duì)開(kāi)源的LLMs和基于封閉API或UI的模型進(jìn)行了評(píng)估,考慮了7種評(píng)估場(chǎng)景:
zero-shot評(píng)估:模型通過(guò)模板轉(zhuǎn)換得到提示,并生成語(yǔ)言化的答案。
few-shot評(píng)估:LLMs使用帶有答案的示例作為上下文進(jìn)行推斷。
指令調(diào)整:LLMs被訓(xùn)練以遵循自然語(yǔ)言指令,進(jìn)行任務(wù)特定的微調(diào)。
自我一致性評(píng)估:模型需要全面了解上下文中的邏輯關(guān)系。
思維鏈評(píng)估:模型進(jìn)行一步一步的邏輯思考。
聊天UI評(píng)估:基于GPT-4的手動(dòng)聊天UI測(cè)試,更真實(shí)地反映用戶與模型的互動(dòng)。
生成響應(yīng)的評(píng)估:對(duì)模型生成的響應(yīng)進(jìn)行質(zhì)量評(píng)估,包括連貫性、完整性、正確性和相關(guān)性。
在實(shí)驗(yàn)中采用了RoBERTa-base作為基線,對(duì)比了數(shù)個(gè)LLMs如Falcon-40b-instruct和LLaMA-30b-supercot,以及OpenAI的ChatGPT和GPT-4。
評(píng)估指標(biāo)主要以分類(lèi)精度得分為指標(biāo),并設(shè)立人類(lèi)基線,對(duì)于LogiQA22數(shù)據(jù)集特邀五名合著者進(jìn)行測(cè)試。
主要結(jié)果
Zero-shot任務(wù)
下表展示了主要的zero-shot任務(wù)上的實(shí)驗(yàn)結(jié)果。
我們主要可以得出以下發(fā)現(xiàn):
人類(lèi)準(zhǔn)確率: 人類(lèi)在大多數(shù)邏輯推理任務(wù)上的平均準(zhǔn)確率超過(guò)80%,尤其是在ReClor和AR-LSAT上,平均準(zhǔn)確率分別為63.00%和56.00%。
RoBERTa-base表現(xiàn): 該模型在多數(shù)邏輯推理任務(wù)上的表現(xiàn)落后于平均人類(lèi)表現(xiàn),但在特定的ProofWriter任務(wù)上有55.92%的準(zhǔn)確率,顯示出處理特定邏輯推理任務(wù)的潛力。
開(kāi)源模型對(duì)比: LLaMA和Falcon在多數(shù)邏輯推理任務(wù)上的表現(xiàn)都不如微調(diào)的RoBERTa-base,特別是在MRC任務(wù)上。
ChatGPT和GPT-4: 兩種模型在多數(shù)MRC基準(zhǔn)測(cè)試中超過(guò)了RoBERTa-base。GPT-4在處理一些邏輯MRC數(shù)據(jù)集上展現(xiàn)出了顯著的能力。
LogiQA 2.0深度分析: ChatGPT和GPT-4在分類(lèi)推理上都展現(xiàn)出了超高的準(zhǔn)確率,但在處理涉及析取的前提上面臨挑戰(zhàn)。
Few-shot任務(wù)
下表展示了不同模型在few-shot任務(wù)上的實(shí)驗(yàn)結(jié)果。GPT-4在與zero-shot相比的few-shot場(chǎng)景中獲得了超過(guò)9個(gè)百分點(diǎn)的準(zhǔn)確率提升。
推理任務(wù)
下表展示了不同推理類(lèi)型的統(tǒng)計(jì)分析。
ChatGPT和GPT-4在分類(lèi)推理上表現(xiàn)出了超高的準(zhǔn)確率,分別為83.83%和95.04%。
兩模型在涉及析取的前提上面臨挑戰(zhàn),可能是因?yàn)檫@些邏輯結(jié)構(gòu)的固有復(fù)雜性和潛在的模糊性。
社區(qū)模型在分類(lèi)推理上沒(méi)有展現(xiàn)出特別強(qiáng)的表現(xiàn),連詞推理和析取推理對(duì)它們來(lái)說(shuō)仍然是個(gè)挑戰(zhàn)。
指令微調(diào)的有效性
使用Alpaca的指令進(jìn)行微調(diào)后,所有任務(wù)的性能都得到了顯著提高,證明了指令調(diào)整的強(qiáng)大效果。這種改進(jìn)主要?dú)w因于模型增強(qiáng)的一般指令理解能力。
經(jīng)過(guò)調(diào)整的LLaMA-7B模型明顯優(yōu)于基線的LLaMA-7B模型和Alpaca。在LogiQA 2.0數(shù)據(jù)集上,模型的準(zhǔn)確率從18.04%增加到52.74%,高于微調(diào)后的RoBERTa-base的48.76%。
盡管微調(diào)僅使用了LogiQA 2.0的訓(xùn)練數(shù)據(jù)集,但經(jīng)過(guò)調(diào)整的模型成功地將其能力推廣到其他數(shù)據(jù)集。在ReClor數(shù)據(jù)集上,經(jīng)過(guò)調(diào)整的模型達(dá)到了55.20%的準(zhǔn)確率,比Alpaca高出32.82個(gè)百分點(diǎn)。
Self-Consistency Probing評(píng)估
邏輯推理任務(wù)通常涉及處理一系列相關(guān)的陳述或事實(shí),然后根據(jù)這些信息進(jìn)行推斷。這些任務(wù)需要理解不同信息之間的相互作用,而不是獨(dú)立地處理它們。這意味著,即使事實(shí)的順序或句子的結(jié)構(gòu)發(fā)生變化,真正的邏輯結(jié)論也應(yīng)該保持不變。因此,研究人員在實(shí)驗(yàn)中通過(guò)打亂句子為ChatGPT引入多樣性,特別是對(duì)于那些固有地不是順序的數(shù)據(jù)集。
由表可觀察到,投票模型在多數(shù)數(shù)據(jù)集上優(yōu)于單一模型。在LogiQA 2.0 zh數(shù)據(jù)集上,單一模型有更高的準(zhǔn)確率,可能因?yàn)橹形恼Z(yǔ)言結(jié)構(gòu)的特殊性。
打亂文本不會(huì)對(duì)ChatGPT的性能產(chǎn)生負(fù)面影響。在某些情況下,打亂的文本甚至提高了性能。類(lèi)似的趨勢(shì)也出現(xiàn)在其他CoT數(shù)據(jù)中,其中CoT序列的擾動(dòng)對(duì)整體效率的影響很小。
CoT評(píng)估
下表展示了在GLoRE上使用/不使用CoT的結(jié)果。
除此之外,實(shí)驗(yàn)還計(jì)算了GPT-4結(jié)果的混淆矩陣。所有模型在使用CoT提示時(shí)都有性能提升,范圍在2%到3%之間?;煜仃囘M(jìn)一步說(shuō)明了使用CoT提示提高性能的重要性。
GPT4的Chat UI評(píng)估
實(shí)驗(yàn)還對(duì)GPT-4模型在Chat UI界面上的性能進(jìn)行了深入探索,并通過(guò)案例研究揭示了其在回答和推理上的特點(diǎn)。
實(shí)驗(yàn)結(jié)果表明,沒(méi)有觀察到基于UI的輸出和基于API的輸出之間的明顯質(zhì)量差異?;赨I的評(píng)估結(jié)果在大多數(shù)數(shù)據(jù)集上略高于基于API的結(jié)果。評(píng)估指標(biāo)可能是造成這種差異的一個(gè)原因。
案例研究主要有以下發(fā)現(xiàn):
GPT-4在一些情況下能夠正確地回答和推理,例如通過(guò)選擇新證據(jù)來(lái)解決專(zhuān)家觀點(diǎn)和證據(jù)之間的矛盾。
GPT-4有時(shí)會(huì)生成不正確的答案,如對(duì)人類(lèi)起源的問(wèn)題的回答。
在某些情況下,提供上下文示例可以幫助GPT-4更準(zhǔn)確地回答問(wèn)題。
CoT推理過(guò)程通過(guò)為GPT-4提供更相關(guān)的上下文來(lái)工作,但也可能依賴于表面的模式而不是深入的抽象。
人工評(píng)估
實(shí)驗(yàn)對(duì)模型的表現(xiàn)進(jìn)行了人工評(píng)估,GPT-4在所有指標(biāo)上都穩(wěn)定地排名第一,ChatGPT緊隨其后。評(píng)注者之間的一致性良好,Cohen's Kappa值為0.79。
連貫性: GPT-4得分最高,為4.52,表現(xiàn)出其邏輯連貫輸出的能力。ChatGPT緊隨其后,得分為4.00。
完整性: ChatGPT和GPT-4并列第一,得分均為4.81,展示了其詳盡的回應(yīng)能力。
正確性: GPT-4得分為4.51,領(lǐng)先于其他模型,其回應(yīng)準(zhǔn)確率高。
相關(guān)性: GPT-4略微領(lǐng)先,得分為4.89,與ChatGPT得分4.72相當(dāng)接近。
此外,使用GPT-4 API作為評(píng)估器對(duì)LLaMA-30-supercot模型進(jìn)行了實(shí)驗(yàn),其評(píng)估得分與人工評(píng)估得分相近,為邏輯推理任務(wù)的自動(dòng)評(píng)估提供了信心。
結(jié)語(yǔ)
在這項(xiàng)研究中,研究團(tuán)隊(duì)提出了一個(gè)名為GLoRE的數(shù)據(jù)集,專(zhuān)門(mén)用于評(píng)估LLMs在處理多種邏輯推理任務(wù)上的表現(xiàn)。研究發(fā)現(xiàn)ChatGPT和GPT-4在大部分邏輯推理基準(zhǔn)測(cè)試上都顯著超越了傳統(tǒng)的微調(diào)方法。盡管商業(yè)模型在GLoRE測(cè)試中的表現(xiàn)相對(duì)較弱,但通過(guò)對(duì)相似數(shù)據(jù)進(jìn)行指令調(diào)整,模型的性能得到了顯著提高。此外,通過(guò)監(jiān)督微調(diào)、上下文學(xué)習(xí)和投票技術(shù),研究團(tuán)隊(duì)成功地實(shí)現(xiàn)了更為出色的結(jié)果。在對(duì)模型進(jìn)行量化和定性評(píng)估后,該團(tuán)隊(duì)指出,現(xiàn)有的LLMs在解決邏輯推理任務(wù)時(shí),似乎更多地依賴于表面模式。因此,他們認(rèn)為,對(duì)底層推理機(jī)制進(jìn)行深入研究和增強(qiáng),將是一個(gè)有益的方向。
審核編輯:湯梓紅
-
語(yǔ)言模型
+關(guān)注
關(guān)注
0文章
490瀏覽量
10225 -
自然語(yǔ)言
+關(guān)注
關(guān)注
1文章
279瀏覽量
13309 -
ChatGPT
+關(guān)注
關(guān)注
28文章
1523瀏覽量
7248
原文標(biāo)題:GLoRE:大型語(yǔ)言模型的邏輯推理能力探究
文章出處:【微信號(hào):zenRRan,微信公眾號(hào):深度學(xué)習(xí)自然語(yǔ)言處理】歡迎添加關(guān)注!文章轉(zhuǎn)載請(qǐng)注明出處。
發(fā)布評(píng)論請(qǐng)先 登錄
相關(guān)推薦
評(píng)論