MIT等首次深度研究「集成LLM」預(yù)測能力：可媲美人類群體準確率
在實踐中，人類預(yù)測的準確性依賴于「群體智慧」（wisdom of the crowd）效應(yīng)，即通過聚集一群個體預(yù)測者，對未來事件的預(yù)測準確率會顯著提高。
過去關(guān)于大型語言模型（LLMs）預(yù)測能力的工作表明，即便是最強大的LLM也仍然比不過人類的群體智慧。
最近，來自倫敦政治經(jīng)濟學(xué)院、MIT和賓夕法尼亞大學(xué)的研究人員做了兩項研究，通過簡單、實際適用的預(yù)測集成方法，表明LLMs可以實現(xiàn)與人類群體競賽相當?shù)念A(yù)測準確率。
論文鏈接：???https://arxiv.org/pdf/2402.19379.pdf???
在第一個研究中，將31個二元問題由12個LLM進行集成預(yù)測，與為期三個月的預(yù)測錦標賽中925名人類預(yù)測者的預(yù)測進行了比較，主要分析結(jié)果表明，LLM群體優(yōu)于單純的無信息基線模型，并且在統(tǒng)計上與人類群體沒有差異。
在探索性分析中，研究人員發(fā)現(xiàn)這兩種方法在中等效應(yīng)尺寸等價界限（medium-effect-size equivalence bounds）方面是相同的；還可以觀察到一種默許效應(yīng)（acquiescence effect），平均模型預(yù)測顯著高于50%，但正面和負面的分辨率幾乎平分秋色。
在第二項研究中，研究人員測試了LLM預(yù)測（GPT-4和Claude 2）是否可以通過利用人類認知輸出來改善，結(jié)果發(fā)現(xiàn)，兩個模型的預(yù)測準確性都可以受益于將人類預(yù)測中值作為輸入信息，從而將準確性提高了17%至28%，但仍然低于簡單的預(yù)測平均方法。
研究1
研究人員從12個不同的大型語言模型中收集數(shù)據(jù)來模擬LLM群體，分別是GPT-4、GPT-4（with Bing）、Claude 2、GPT3.5-Turbo-Instruct、Solar-0-70b、Llama-2-70b、PaLM 2（Chat-Bison@002）、Coral（Command）、Mistral-7B-Instruct、Bard（PaLM 2）、Falcon-180B和Qwen-7B-Chat
然后通過web界面訪問模型，對所有模型使用默認參數(shù)（例如溫度），其中web界面包括公司自行開發(fā)的界面，如OpenAI、Anthropic、Cohere和Google提供，以及其他第三方提供的界面，如Poe、Huggingface和Modelscope，采用這種方法來最大化在收集數(shù)據(jù)的整個研究期間可以可靠查詢的模型數(shù)量，同時保留模型規(guī)模的異質(zhì)性。
具體選擇的標準包括前沿模型（GPT-4，Claude 2）以及開源模型（例如，Llama-2-70b，Mistral 7B-Instruct），還有各種可訪問互聯(lián)網(wǎng)的型號（例如，with Bing、Bard、Coral的GPT-4），參數(shù)量從70億到1.6萬億不等。
為了評估模型的預(yù)測能力，研究人員利用到Metaculus平臺上從2023年10月到2024年1月舉行的公共預(yù)測錦標賽中實時提出的預(yù)測問題，其中925名人類預(yù)測者提供了至少一個預(yù)測結(jié)果，提出的問題從中東沖突、利率、文學(xué)獎、英國選舉政治到印度空氣質(zhì)量、加密貨幣、消費技術(shù)和太空旅行。
研究人員主要關(guān)注二元概率預(yù)測，總共收集了31個問題，其中每個問題都包括一個問題描述，所提問題的背景，以及一個詳細說明問題將如何解決的方案。
研究人員編寫的提示詞中包括如何格式化輸出的說明、指示模型作為超級預(yù)測者做出響應(yīng)，并按照當前的最佳提示實踐逐步處理這些問題；提示中還包括了詳細的問題背景、解決標準和問題文本。
實驗結(jié)果
研究人員從集成的12個LLM的31個問題中收集了總共1007個單獨的預(yù)測，剩余的109個預(yù)測由于模型或界面的技術(shù)問題，或是內(nèi)容限制政策沒有收集完成。
在所有模型和問題中，研究人員觀察到最小原始預(yù)測值為0.1%，最大原始預(yù)測值為99.5%，預(yù)測中值為60%。這表明LLM模型更有可能在50%中點以上做出預(yù)測，群體的平均預(yù)測值M=57.35（SD=20.93）顯著高于50%，t（1006）=86.20，p<0.001
重要的是，整個問題集的解決方案接近平均，14/31的問題得到了正向解決，這種不平衡的現(xiàn)象表明，LLM預(yù)測通常傾向于正向的解決方案，超出了經(jīng)驗預(yù)期（只有45%以上的問題可以得到積極的解決方案）。
在該研究的問題集合中，LLM群體并不比人類群體更準確。
研究2
研究人員主要關(guān)注兩個前沿模型，即GPT-4和Claude 2，使用與研究1中相同的真實世界預(yù)測錦標賽（real-world forecasting tournament）作為問題和人類預(yù)測的來源，分別通過OpenAI和Anthropic網(wǎng)站對GPT-4和Claude 2進行查詢。
針對模型內(nèi)研究設(shè)計，研究人員為每個問題收集了兩個預(yù)測（干預(yù)前和干預(yù)后），并在標準溫度設(shè)置下重復(fù)提出三次，最后每個模型會得到六個預(yù)測結(jié)果。
最終目標是研究與人類認知輸出相關(guān)的LLM更新行為，即LLM是否以及如何考慮預(yù)測錦標賽總量提供的人類預(yù)測估計。
與研究1相比，研究2使用了一組更長、更精細的提示：
第一個提示建立在「超級預(yù)測的10條戒律」以及關(guān)于預(yù)測和更新的文獻基礎(chǔ)上，指導(dǎo)模型仔細考慮區(qū)分不同程度的懷疑，在自信不足和過度自信之間取得正確的平衡，并將困難的問題分解為更容易解決的子問題。
第二個提示，干預(yù)，告知模型相應(yīng)人群的中值預(yù)測，并要求它在必要時更新，并概述更新的原因（如果有的話）。
對于這兩個提示，研究人員收集的預(yù)測不是作為點估計，而是作為概率范圍在0%和100%之間，估算到兩個小數(shù)點。
提供給模型的群體中值是在社區(qū)預(yù)測被揭示的48小時內(nèi)收集的，以允許人類預(yù)測者了解并相應(yīng)地更新預(yù)測結(jié)果，通常會獲得更好校準的預(yù)測；由于時差的原因，人類的預(yù)測比研究1中使用的預(yù)測更準確。
實驗結(jié)果
研究人員首先測試了暴露群體中值是否會提高模型的準確性。
對于GPT-4，暴露人類中位數(shù)前后的Brier得分存在統(tǒng)計學(xué)顯著差異；對于Claude 2，可以發(fā)現(xiàn)暴露人類中位數(shù)前后的Brier得分存在具有統(tǒng)計學(xué)意義的差異，結(jié)果表明，以群體預(yù)測的形式提供人類認知可以提高模型預(yù)測能力。
還可以發(fā)現(xiàn)，GPT-4的預(yù)測區(qū)間在暴露人類中位數(shù)后變得明顯變窄，范圍從平均區(qū)間大小17.75（SD：5.66）到14.22（SD：5.97），p<0.001；Claude 2的預(yù)測區(qū)間也顯著變窄，從11.67（SD：4.201）縮小到8.28（SD：3.63），p<0.001，結(jié)果表明，當人類預(yù)測包含在LLM中時，模型會降低了其預(yù)測的不確定性。
研究人員還分析了LLMs的更新是否與它們的點預(yù)測和人類基準之間的距離成比例，結(jié)果發(fā)現(xiàn)初始偏差與GPT-4預(yù)測調(diào)整幅度之間存在顯著相關(guān)性，表明模型大致按照與人類的中位數(shù)之間的差異來移動預(yù)測。
總結(jié)
文中進行的兩項研究都是在「用于解決問題的答案不可能來自于訓(xùn)練數(shù)據(jù)」的情況下來測試LLM能力的，因為所有問題的答案在數(shù)據(jù)收集時都是未知的，甚至對作者來說也是如此，這也為LLM能力提供了一個理想的評估標準。
實驗結(jié)果以一種穩(wěn)健的方式，為LLMs的高級推理能力提供了證據(jù)，因此傳統(tǒng)基準可能提出的許多難題都不適用。
總之，這篇論文是首個表明當前LLMs能夠提供關(guān)于未來現(xiàn)實世界事件的人類（達到群體水平的準確預(yù)測）的論文。
想要做到這一點，只用簡單、實際適用的預(yù)測聚合方法就足夠了：在所謂的硅環(huán)境中表現(xiàn)為LLM集合方法，復(fù)制了人類預(yù)測錦標賽對LLMs的「 群體智慧」效應(yīng)，即「硅群體智慧」（Wisdom of the Silicon Crowd）的現(xiàn)象。
實驗結(jié)果的發(fā)現(xiàn)為進一步的研究和實際應(yīng)用開辟了許多領(lǐng)域，因為LLM集成方法比從人群中收集數(shù)據(jù)要便宜得多，也快得多。
未來的研究可以旨在將集成方法與模型和支架進展相結(jié)合，這可能會在預(yù)測領(lǐng)域產(chǎn)生更強的能力增益。
本文轉(zhuǎn)自 新智元 ，作者：新智元
