本文來自極客網(wǎng)，作者：極客君。
最近有很多關(guān)于ChatGPT模型(例如GPT-3.5和GPT-4)的性能隨著時(shí)間的推移而下降的討論，OpenAI公開否認(rèn)了這些說法，真相到底是怎樣的呢？
斯坦福大學(xué)和加州大學(xué)伯克利分校（UCLA）研究人員的一項(xiàng)新研究提供了一些證據(jù)，證明這些大型語(yǔ)言模型（LLM）的行為已經(jīng)具有“實(shí)質(zhì)性的漂移”——但并不一定等于能力退化。
這一發(fā)現(xiàn)對(duì)用戶在ChatGPT等黑盒人工智能系統(tǒng)上構(gòu)建應(yīng)用的風(fēng)險(xiǎn)提出了警告，即隨著時(shí)間的推移，這些應(yīng)用可能會(huì)產(chǎn)生不一致或不可預(yù)測(cè)的結(jié)果。背后原因在于：GPT等模型的訓(xùn)練和更新方式缺乏透明度，因此無法預(yù)測(cè)或解釋其性能的變化。
用戶抱怨ChatGPT性能退化
早在今年5月，就有用戶就在OpenAI論壇上抱怨GPT-4很難做到它以前做得很好的事情。一些用戶不僅對(duì)性能下降感到不滿，而且對(duì)OpenAI缺乏響應(yīng)和解釋感到不滿。
據(jù)《商業(yè)內(nèi)幕》在7月12日?qǐng)?bào)道，與之前的推理能力和其他輸出相比，用戶認(rèn)為GPT-4變得“更懶”或“更笨”。在OpenAI沒有做出回應(yīng)的情況下，行業(yè)專家開始猜測(cè)或探索GPT-4性能下降的原因。
一些人認(rèn)為OpenAI在API背后使用了更小的模型，以降低運(yùn)行ChatGPT的成本。其他人推測(cè)，該公司正在運(yùn)行一種混合專家(MOE)方法，采用幾個(gè)小型的專業(yè)模型取代一個(gè)通用的LLM。
面對(duì)種種質(zhì)疑，OpenAI否認(rèn)了故意讓GPT-4變笨的說法。OpenAI產(chǎn)品副總裁Peter Welinder在推特上寫道:“恰恰相反：我們讓每一個(gè)新版本都比之前的版本更加智能。目前的假設(shè)是：當(dāng)你大量使用它時(shí)，你就會(huì)開始注意到以前沒有看到的問題。”
頂級(jí)大學(xué)測(cè)試ChatGPT表現(xiàn)
為了驗(yàn)證ChatGPT的行為如何隨著時(shí)間的推移而變化，斯坦福大學(xué)和UCLA的研究人員分別在2023年3月和6月測(cè)試了兩個(gè)版本的GPT-3.5和GPT-4。
他們?cè)谒膫€(gè)常見的基準(zhǔn)任務(wù)上評(píng)估了這些模型：數(shù)學(xué)問題、回答敏感問題、代碼生成和視覺推理。這些是評(píng)估LLM經(jīng)常使用的多樣化任務(wù)，而且它們相對(duì)客觀，因此易于評(píng)估。
研究人員使用了兩組指標(biāo)來評(píng)估這兩個(gè)模型的性能。主要的指標(biāo)特定于任務(wù)(例如，數(shù)學(xué)的準(zhǔn)確性以及編碼的直接執(zhí)行)。他們還跟蹤了冗長(zhǎng)度(輸出的長(zhǎng)度)和重疊度(兩個(gè)LLM版本的答案之間的相似程度)。
3-6月ChatGPT表現(xiàn)確實(shí)在下滑
對(duì)于數(shù)學(xué)問題，研究人員使用了“思維鏈”提示，通常用于激發(fā)LLM的推理能力。他們的發(fā)現(xiàn)顯示了模型性能的顯著變化：從3月到6月，GPT-4的準(zhǔn)確率從97.6%下降到2.4%，而其響應(yīng)冗長(zhǎng)度下降了90%以上。GPT-3.5表現(xiàn)出相反的趨勢(shì)，準(zhǔn)確率從7.4%上升到86.8%，冗長(zhǎng)度增加了40%。
研究人員指出，“這一有趣的現(xiàn)象表明，由于LLM的性能漂移，采用相同的提示方法，即使是那些被廣泛采用的方法（例如思維鏈），也可能導(dǎo)致顯著不同的性能。”
在回答敏感問題時(shí)，對(duì)LLM進(jìn)行評(píng)估的標(biāo)準(zhǔn)是它們回答有爭(zhēng)議問題的頻率。從3月到6月，GPT-4的直接回答率從21%下降到5%，這表明這個(gè)模型變得更加保守。與此同時(shí)，GPT-3.5的直接回答率從2%上升到8%。與3月的版本相比，這兩種模型在6月份拒絕不恰當(dāng)?shù)膯栴}時(shí)提供的解釋也更少。
研究人員寫道：“這些LLM服務(wù)可能變得更加保守，但也減少了拒絕回答某些問題的理由。”
在代碼生成過程中，研究人員通過將LLM的輸出提交給運(yùn)行和評(píng)估代碼的在線裁判來測(cè)試它們是否可直接執(zhí)行。結(jié)果發(fā)現(xiàn)，在3月，5 0%以上的GPT-4輸出是可直接執(zhí)行的，但在6月只有10%。對(duì)于ChatGPT 3.5，可執(zhí)行輸出從3月的22%下降到6月的2%。6月的版本經(jīng)常在代碼片段周圍添加不可執(zhí)行的序列。
研究人員警告說:“當(dāng)LLM生成的代碼在更大的軟件管道中使用時(shí)，要確定這一點(diǎn)尤其具有挑戰(zhàn)性。”
對(duì)于視覺推理，研究人員對(duì)來自抽象推理語(yǔ)料庫(kù)(ARC)數(shù)據(jù)集的示例子集的模型進(jìn)行了評(píng)估。ARC是一個(gè)視覺謎題的集合，用于測(cè)試模型推斷抽象規(guī)則的能力。他們注意到GPT-4和GPT-3.5的性能都有輕微的改善。但總體性能仍然較低，GPT-4為27.4%，GPT-3.5為12.2%。然而，6月版本的GPT-4在3月正確回答的一些問題上出現(xiàn)了錯(cuò)誤。
研究人員寫道：“這凸顯了細(xì)粒度漂移監(jiān)測(cè)的必要性，特別是在關(guān)鍵應(yīng)用中。”
ChatGPT性能退化可能存在誤解
在這篇論文發(fā)表之后，普林斯頓大學(xué)的計(jì)算機(jī)科學(xué)家、教授Arvind Narayanan和計(jì)算機(jī)科學(xué)家Sayash Kapoor認(rèn)為，一些媒體誤解了這一論文的結(jié)果，他們認(rèn)為GPT-4已經(jīng)變得更糟。
兩人在一篇文章中指出，“不幸的是，這是媒體對(duì)于論文結(jié)果的過度簡(jiǎn)化。雖然研究結(jié)果很有趣，但其中一些方法值得懷疑。”
例如，評(píng)估中使用的所有500個(gè)數(shù)學(xué)問題都是“數(shù)字X是質(zhì)數(shù)嗎?”而數(shù)據(jù)集中的所有的數(shù)字都是質(zhì)數(shù)。3月版本的GPT-4幾乎總是猜測(cè)這個(gè)數(shù)是質(zhì)數(shù)，而6月的版本幾乎總是猜測(cè)它是合數(shù)。
Narayanan和Kapoor在文中寫道：“論文的作者將這種情況解釋為性能的大幅下降，因?yàn)樗麄冎粶y(cè)試了質(zhì)數(shù)。當(dāng)GPT-4在500個(gè)合數(shù)進(jìn)行測(cè)試時(shí)，這種性能的下降就消失了。”
總而言之，Narayanan和Kapoor認(rèn)為，ChatGPT的行為會(huì)改變，但這并不一定意味著它的能力下降了。
ChatGPT類AI應(yīng)用還能信任嗎？
雖然這篇論文的發(fā)現(xiàn)并不一定表明這些模型變得更糟，但確實(shí)證實(shí)了它們的行為已經(jīng)改變。
研究人員據(jù)此得出結(jié)論，GPT-3.5和GPT-4行為的變化凸顯了持續(xù)評(píng)估和評(píng)估LLM在生產(chǎn)應(yīng)用中的行為的必要性。當(dāng)我們構(gòu)建使用LLM作為組件的軟件系統(tǒng)時(shí)，需要開發(fā)新的開發(fā)實(shí)踐和工作流程來確保可靠性和責(zé)任。
通過公共API使用LLM需要新的軟件開發(fā)實(shí)踐和工作流程。對(duì)于使用LLM服務(wù)作為其持續(xù)工作流程組成部分的用戶和公司，研究人員建議他們應(yīng)該實(shí)施持續(xù)的監(jiān)控分析。
這一研究結(jié)果還強(qiáng)調(diào)，在訓(xùn)練和調(diào)整LLM的數(shù)據(jù)和方法方面需要提高透明度。如果沒有這樣的透明性，在它們之上構(gòu)建穩(wěn)定的應(yīng)用就會(huì)變得非常困難。
