编辑：编辑部
【新智元导读】GPT-4满分拿下MIT数学本科考试的论文突然爆火，然而还没发酵一天，就被MIT同校生反侦查了。
GPT-4攻克MIT数学和EECS本科考试在网上引起轩然大波。
但是，热度还没发酵一天，有人就站出来就表示，
不，GPT-4不能通过MIT考试！
不，GPT-4不能通过MIT考试！
万万没想到，这篇来自MIT等机构的研究者收集整理的数据集受到了污染，其实GPT-4的结果被夸大了。
这件事震惊了AI圈内多位大佬。
马库斯表示，麻省理工学院EECS的那份论文真的很烂，是对GPT-4的错误信仰的又一个例子。
（这让我想起了关于心智理论的同样夸张的说法）。
还有LeCun转发了一位网友的点评：
那篇关于GPT-4如何通过MIT课程的论文在很多方面都存在严重缺陷。这很好地提醒了我们，预印本是不经过同行评审的，另外公共志愿者评审也很出色。
此外，前谷Google Brain研究员「hardmaru」也表示大受震撼：
「当有人声称一种语言模型可以在某项任务上达到100%的准确率，尤其是这项任务的数据还是来自MIT的EECS课程时。这帮知识渊博的机器学习专家们，不仅没有任何怀疑，而且还对结果进行大肆宣传。」
「在LLM评估中，一种越来越流行但不科学的做法是作者不断迭代和挑选最佳的提示，以便在已知的评估任务中得分高。而这实际上是在间接地告诉LLM应该给出什么答案。」
这究竟是怎么回事？
100%？不可能的
论文中，研究人员从MIT的数学、电气工程与计算机科学（EECS）课业问题、期中和期末考，收集了一个包含4550个问题和解决方案的综合数据集。
然后，让其他LLM在一个没有图像和解决方案的288道随机数据集，以及500道选择题的ReClor验证集中进行测试。
结果发现，GPT-4几乎满分通过考试。
然而，这一结果却让其他研究人员大受震撼，于是他们开始详细检查每个数据点。
很快，研究人员就发现，这是不可能的。
无法解决类
首先，数据集中至少有10个问题是无法用提供的信息来解决的。
与此同时，其中还有一些问题压根就不是有效的问题。
这些数据的占比大概是4%。
来看几个例子：
这两道题目分别是计算传播延迟，以及有关并行运行调用的题目。
研究人员表示，数据集中没有提供必要的条件来得出有效的结果。
而下面这道题目是对两个disk的重量进行比较的计算题，并要求给出解释。
这个题目题干倒没什么问题，就是一开头提到的variation on problem 2，指这道题是问题2的变式。
可是问题2的信息根本没有，没法比较，所以也做不了。
下面这道编程题目是要找出在输入给定的prompt后，输出结果有什么不对的地方。
这道题目解不出来有两个原因，一个是本身给的条件有限，另一个是作为一个LLM，GPT不可能获得交互式终端的权限（最起码题里没给）。
而假如GPT真知道IP地址，那就说明信息泄露了，因为这个地址只有MIT有。
像这种例子还有一些（4%），研究人员都在数据集上进行了标注。
当然，也有一些题目都不能称之为问题，比如下面这个。
根本没有设问，只是一句陈述。
重复性问题
研究人员发现，数据集（288个问题）中有14个问题是重复的。要不就是完全相同，要不就是只有微小的字符差别。
正是因为存在着这些绝对不可解，以及问题重复的情况，所以研究人员对100%这个结果大惑不解。
经过进一步调查，研究人员发现，真相只有一个，那就是存在解题信息的泄露，以及对输出结果的评级有方法上的漏洞。
首先，让我们先来了解一下，少样本（few-shot）是什么意思。
简而言之，研究人员对OpenAI嵌入的数据集内的类似问题进行余弦相似度搜索，并将这些问题和解决方案作为额外的背景纳入模型的提示，以帮助模型解决问题。
在这种情况下，只要例子与实际的问题有足够的区别，就还算公平。
然而，研究人员却发现，真实情况下，给到模型的少样本和数据集中的问题一字不差。
于是，研究人员写了个脚本，来简单看一看给到的例子和实际问题之间重叠的部分。
代码如下：
from tqdm.notebook import tqdmimport numpy as npdef longest_common_substring(s1, s2): m = [[0] * (1 + len(s2)) for _ in range(1 + len(s1))] longest, x_longest = 0, 0 for x in range(1, 1 + len(s1)): for y in range(1, 1 + len(s2)): if s1[x – 1] == s2[y – 1]: m[x][y] = m[x – 1][y – 1] + 1 if m[x][y] > longest: longest = m[x][y] x_longest = x else: m[x][y] = 0 return len(s1[x_longest – longest: x_longest])def calculate_few_shot_overlap(sample): q = (sample[Question]) fs1 = (sample[Few shot question 1]) fs2 = (sample[Few shot question 2]) fs3 = (sample[Few shot question 3]) fs1 = longest_common_substring(q, fs1) / min(len(fs1), len(q)) fs2 = longest_common_substring(q, fs2) / min(len(fs2), len(q)) fs3 = longest_common_substring(q, fs3) / min(len(fs3), len(q)) return np.max([fs1, fs2, fs3])test_dataset[overlap] = test_dataset.apply(calculate_few_shot_overlap, axis=1)
将这些重叠绘制成直方图如下所示：
可以发现，例子中的问题和实际的问题很多情况下相似度极高。
研究人员认为，为了正确评估GPT的解题能力，相同的问题应该被排除在外。
def repeat_grading(input_path, output_path, num_experts = 3, num_fs = 3, most_recent_q = 0): df = pd.read_csv(input_path) df = df.iloc[most_recent_q:] for index, row in df.iterrows(): print(Completing question, index) question_output = row.values.tolist() course_name = row[Course Name] question = row[Question] solution = row[Solution] fs_qs = [[row[Few shot question 1], row[Few shot solution 1]], [row[Few shot question 2], row[Few shot solution 2]], [row[Few shot question 3], row[Few shot solution 3]]] experts = get_experts(course_name, question, num_experts).split(, ) prompts = [lambda expert: zero_shot_response(question, expert), lambda expert: few_shot_response(expert, question, fs_qs), lambda expert: few_shot_response(expert, question, fs_qs, True) ] critiques = [[“Review your previous answer and find problems with your answer.”, “Based on the problems you found, improve your answer.”], [“Please provide feedback on the following incorrect answer.”,”Given this feedback, answer again.”]] for expert in experts: print(“Using expert”, expert) question_output.append(expert) crit = True for prompt in prompts: prompt_response = prompt(expert) # calls fresh ChatCompletion.create prompt_grade = grade(course_name, question, solution, prompt_response) # GPT-4 auto-grading comparing answer to solution question_output+=[prompt_response, prompt_grade] if correct(prompt_grade): crit = False break if crit: for critique in critiques: crit_response = self_critique_response(expert, course_name, question, question_output[-2], critique) # calls fresh ChatCompletion.create crit_grade = grade(course_name, question, solution, crit_response) # GPT-4 auto-grading comparing answer to solution question_output+=[crit_response,crit_grade] if correct(crit_grade): breakrepeat_grading(MIT_test_set.csv, MIT_test_set_graded.csv)
同时，研究人员还在代码里发现了一些错别字/错误，导致了与论文中描述的或作者预期不同的提示。
以下是零样本函数的函数参数:
def zero_shot_response(system, question, max_tokens=8192): try: messages = [ {“role”: “system”, “content”: f”You are {system}\n” f”Your task is to answer the following question.”}, {“role”: “user”, “content”: f”Please answer the following question.\n” + f”Question: {question}\n” } ]…
而如下则是它在代码中的调用方式：
prompts = [lambda expert: zero_shot_response(question, expert) …
因此，所有的零样本的结果的prompt都是错误的。
此外，打分机制也存在问题。
def repeat_grading(input_path, output_path, num_experts = 3, num_fs = 3, most_recent_q = 0): df = pd.read_csv(input_path) df = df.iloc[most_recent_q:] for index, row in df.iterrows(): print(Completing question, index) question_output = row.values.tolist() course_name = row[Course Name] question = row[Question] solution = row[Solution] fs_qs = [[row[Few shot question 1], row[Few shot solution 1]], [row[Few shot question 2], row[Few shot solution 2]], [row[Few shot question 3], row[Few shot solution 3]]] experts = get_experts(course_name, question, num_experts).split(, ) prompts = [lambda expert: zero_shot_response(question, expert), lambda expert: few_shot_response(expert, question, fs_qs), lambda expert: few_shot_response(expert, question, fs_qs, True) ] critiques = [[“Review your previous answer and find problems with your answer.”, “Based on the problems you found, improve your answer.”], [“Please provide feedback on the following incorrect answer.”,”Given this feedback, answer again.”]] for expert in experts: print(“Using expert”, expert) question_output.append(expert) crit = True for prompt in prompts: prompt_response = prompt(expert) # calls fresh ChatCompletion.create prompt_grade = grade(course_name, question, solution, prompt_response) # GPT-4 auto-grading comparing answer to solution question_output+=[prompt_response, prompt_grade] if correct(prompt_grade): crit = False break if crit: for critique in critiques: crit_response = self_critique_response(expert, course_name, question, question_output[-2], critique) # calls fresh ChatCompletion.create crit_grade = grade(course_name, question, solution, crit_response) # GPT-4 auto-grading comparing answer to solution question_output+=[crit_response,crit_grade] if correct(crit_grade): breakrepeat_grading(MIT_test_set.csv, MIT_test_set_graded.csv)
我们可以看到，在流程处理分级也存在问题。
评分本身是由GPT-4进行的，以原始问题，解决方案和GPT自己的答案，作为依据的参数。
而在很多技术领域，GPT更有可能出现隐性误解，这种自动评分有可能出现自我安慰的结果。
此外，虽然提示级联是最近许多GPT论文中常见的技术，但这里有大量数据泄漏的可能性。
虽然这些创建的prompt没有答案本身，但重新prompt直到得到正确答案的二进制反馈是足够的，尤其是在占测试集16%的多选题中，无限的尝试几乎保证了正确答案一定会出现。
这就好比有人拿着答题纸告诉学生他们是否得到了正确的答案，错了就再来，直到他们得到答案。
这显然不够严谨。
GPT-4不能作为「基准真值」
最后，Raunak Chowdhuri表示以上的观察结果也仅是自己发现最明显的问题。
随着人们继续审查这篇论文的数据分析方法，更多的问题还会爆出。
而这篇论文反映了最近人工智能研究的一个更大趋势，AI发展越来越快，每天论文不断涌现，往往还有些是通过捷径「滥竽充数」。
其中，一个特别令人担忧的趋势是使用GPT-4等预言模型，来评估模型准确性的技术。虽然这是一个有用的工具，但它的结论绝不能被夸大或视为基准真值。
最近的研究表明，如果没有准确的基准真值，GPT-4评估器用于验证不可靠。至少，应该选择数据集的一个随机子集来比较GPT-4与人类对应物的性能。
因此，语言模型还不能被视为基准真值的生成预言机。
此外，在使用数据之前，重新评估每个数据点，并执行基本的健全性检查是极其重要的，无论是用于训练、推理、基准测试还是其他用途。
对此，Chowdhuri批评主要是关于这项研究的方法论和严谨性，而不是其内容。
也不是说，大型语言模型没有能力真正通过MIT的课程考试，只是这篇论文没有以科学严谨的方式证明这一点。
参考资料：
https://twitter.com/togelius/status/1670290844740378625
https://twitter.com/hardmaru/status/1670248677603151880
https://twitter.com/sauhaarda/status/1670053720233750530
https://flower-nutria-41d.notion.site/No-GPT4-can-t-ace-MIT-b27e6796ab5a48368127a98216c76864返回搜狐，查看更多
责任编辑：
