我們都知道，大語言模型在生成代碼方面，表現(xiàn)出了非凡的能力。然而，在具有挑戰(zhàn)性的編程任務(wù)（比如競賽和軟件工程師的面試）中，它們卻完成得并不好。

好在，很多模型會通過一種自修復(fù)工作流來「自省」，來自我糾正代碼中的錯誤。

研究者很希望知道，這些模型在多大程度上能提供正確的反饋，并且說明自己生成的代碼為什么是錯誤的。

近日，MIT和微軟的學(xué)者發(fā)現(xiàn)， 在對GPT-4和GPT-3.5，只有GPT-4表現(xiàn)出了有效的自修復(fù)。并且，GPT-4甚至還能對GPT-3.5生成的程序提供反饋。

論文地址：https://arxiv.org/abs/2306.09896

愛丁堡大學(xué)博士生符堯表示，自己的團(tuán)隊(duì)也發(fā)現(xiàn)了類似結(jié)果——只有GPT-4能夠自我改進(jìn)，而較弱的模型則不能。

也就是說，只有當(dāng)模型足夠「成熟」（規(guī)模大且對齊良好）時，可能存在一種新的「涌現(xiàn)能力」（即在自然語言反饋的基礎(chǔ)上改進(jìn)）。

只有足夠「成熟」的模型才能聽取并在自然語言反饋的基礎(chǔ)上進(jìn)行改進(jìn)；較弱的模型要么無法理解反饋，要么無法對其進(jìn)行改進(jìn)。

我傾向于相信這種「涌現(xiàn)能力」（通過語言反饋?zhàn)晕腋倪M(jìn)）將對LLM的發(fā)展產(chǎn)生非常重大的影響，因?yàn)檫@意味著AI可以在很少的人工監(jiān)督下持續(xù)不斷地進(jìn)行自主改進(jìn)。

俄勒岡州立大學(xué)杰出教授Thomas G. Dietterich認(rèn)為，這可能是LLM包含了多個子模型，這些子模型之間可能存在不一致性，而這種情況在更大的模型中更為常見。

「自我改進(jìn)」是去除這些不一致性的過程。他的預(yù)測是，一旦這些不一致性被消除，自我改進(jìn)將停止。

對此，符堯非常同意：「在上下文學(xué)習(xí)中使用自我改進(jìn)，可能會一定程度上推動模型，但進(jìn)展不會很大；而強(qiáng)化學(xué)習(xí)可能會推進(jìn)得更遠(yuǎn)。之后，模型需要與世界進(jìn)行交互，通過接受基于實(shí)際情境的反饋來進(jìn)一步改進(jìn)?！?/span>

不過，俄亥俄州立大學(xué)工程系杰出助理教授Yu Su則認(rèn)為，這可能只是因?yàn)樵谥噶钗⒄{(diào)的數(shù)據(jù)上存在一些無意的差異而已。

對此符堯表示，他在Claude模型上也發(fā)現(xiàn)了類似的行為——Claude-instant無法很好地響應(yīng)語言反饋（因?yàn)樗茈y理解和遵循指令），但Claude可以。

而且，這些觀察結(jié)果還在多篇相關(guān)的論文中出現(xiàn)，不太可能是無意的數(shù)據(jù)差異。

揭秘用于代碼生成的GPT自修復(fù)

大語言模型怎樣通過自我修復(fù)提高性能？這個過程是靠模型的自省，自我糾正代碼中的錯誤。

下圖顯示了模型自修復(fù)方法的典型工作流。

首先，我們會給定一個規(guī)范，從一個代碼生成模型中給一個程序采樣，然后在規(guī)范中的一組單元測試上執(zhí)行這個程序。

如果程序在測試中失敗，錯誤消息會被傳送到反饋生成模型，輸出一個代碼失敗原因的解釋，然后把反饋傳給修復(fù)模型。

從表面上看，這個工作流似乎非常完美。它讓系統(tǒng)克服了在解碼過程中不良樣本引起的錯誤，還模仿了人類軟件工程師寫代碼的試錯方法。

然而，工作流有一個問題：自修復(fù)需要對模型進(jìn)行更多的調(diào)用，從而增加了計(jì)算成本。

而且，研究者們發(fā)現(xiàn)了一個很有意思的現(xiàn)象：大模型自修復(fù)的有效性不僅取決于模型生成代碼的能力，還取決于它對于代碼如何在任務(wù)中犯錯的識別能力。

目前還沒有任何工作對此進(jìn)行詳細(xì)調(diào)查，因此，作者們研究了GPT-3.5和GPT-4在解決競賽級代碼生成任務(wù)時的自修復(fù)有效性。

他們提出了一種pass@t的新評估策略，在這個策略中，根據(jù)從模型中采樣的token總數(shù)來衡量任務(wù)的通過率。

因?yàn)槭褂玫氖莗ass@t，而不是傳統(tǒng)的pass@k（根據(jù)實(shí)驗(yàn)數(shù)量衡量通過率），這樣就能與純粹基于采樣的方法進(jìn)行公平的比較。

從實(shí)驗(yàn)中，研究者發(fā)現(xiàn)：

1. GPT-4才能實(shí)現(xiàn)自我修復(fù)帶來的性能提升；對于GPT-3.5，在所有預(yù)算下，修復(fù)后的通過率要低于或等于基準(zhǔn)的無修復(fù)方法。

2. 即使對于GPT-4模型，性能提升也最多只能算是適度的（在預(yù)算為7000個token的情況下，通過率從66％提高到71％，約等于45個獨(dú)立同分布的GPT-4樣本的成本），并且取決于初始程序的多樣性足夠豐富。

3. 使用GPT-4生成的反饋替換GPT-3.5對錯誤的解釋，可以獲得更好的自修復(fù)性能，甚至超過基準(zhǔn)的無修復(fù)GPT-3.5方法（在7000個token下，從50％提高到54％）。

4. 使用人類程序員提供的解釋替換GPT-4自己的解釋，可以顯著改善修復(fù)效果，修復(fù)并通過測試的程序數(shù)量增加了57%。

實(shí)驗(yàn)

研究人員又進(jìn)一步針對3個問題進(jìn)行了測試：

1. 對于更加有挑戰(zhàn)的編程任務(wù)中，這些模型的自我修復(fù)是否比不進(jìn)行修復(fù)的i.i.d.有更好的采樣？

2. 更強(qiáng)的反饋模型會提高模型的修復(fù)性能嗎？

3. 如果讓人類參與功能最強(qiáng)模型的自我修復(fù)循環(huán)，提供人工反饋，是否可以解鎖更好的修復(fù)性能？

首先研究團(tuán)隊(duì)引入了一個很有挑戰(zhàn)的編程任務(wù)：Automated Programming Progress Standard （APPS）數(shù)據(jù)集中的編程任務(wù)。

這個數(shù)據(jù)集中的任務(wù)包括從入門級到大學(xué)競賽級的編程任務(wù)，可以用來評估人類程序員解決問題和代碼能力。

研究人員選取了300個任務(wù)，包括60個入門級別的任務(wù)和60個競賽級別的任務(wù)。

研究人員選取了GPT-3.5和GPT-4作為模型，使用模板字符串連接和單次提示詞來進(jìn)行自我修復(fù)。

下圖為提示詞的實(shí)例之一。

自修復(fù)需要強(qiáng)大的模型和多樣化的初始樣本

研究人員讓單個模型分別進(jìn)行代碼的修復(fù)生成和反饋生成。

在右邊的圖中，我們沿軸顯示了具有兩個超參數(shù)的熱圖，其中每個單元格中的值表示平均通過率，當(dāng)給定相同的token預(yù)算（即t的相同值pass@t）時，自我修復(fù)由基線的平均通過率歸一化。

從圖中可以看到，對于GPT-3.5模型，pass@t在所有設(shè)置下都低于或等于相應(yīng)的基線（黑），清楚地表明自我修復(fù)對GPT-3.5并不是一種有效的策略。

而在GPT-4（下圖）中，有幾個值的自修復(fù)通過率明顯優(yōu)于基線。

GPT-4反饋改進(jìn)了GPT3.5的修復(fù)結(jié)果

研究人員又進(jìn)一步進(jìn)行了新的實(shí)驗(yàn)，評估使用單獨(dú)的、更強(qiáng)的模型來生成反饋的效果，目的是為了測試一個假設(shè)：由于模型無法內(nèi)省和調(diào)試自己的代碼，阻礙了自我修復(fù)（比如說對于GPT-3.5）。

這個實(shí)驗(yàn)的結(jié)果如上圖（亮藍(lán)色）所示。

在絕對性能方面，GPT-3.5，GPT-4確實(shí)突破了性能障礙，并且比GPT-3.5的i.i.d.采樣略微更高效。

這表明文本反饋階段本身是至關(guān)重要的，改進(jìn)它可以緩解GPT-3.5自修復(fù)的瓶頸。

人工反饋顯著提高了GPT-4修復(fù)的成功率

在最后一項(xiàng)實(shí)驗(yàn)中，想要研究在用更強(qiáng)的模型（GPT-4）進(jìn)行修復(fù)時，加入專家人類程序員的反饋的影響。

研究目的是了解模型識別代碼中錯誤的能力與人類的能力相比如何，以及這如何影響自修復(fù)的下游性能。

研究人員研究人員招募了16名參與者，包括15名研究生和1名專業(yè)機(jī)器學(xué)習(xí)工程師。

每個參與者都有五種不同的基礎(chǔ)程序，基于他們的Python經(jīng)驗(yàn)編寫代碼。

每個程序都取自不同的任務(wù)，參與者永遠(yuǎn)不會看到屬于同一個任務(wù)的兩個不同的程序。

然后，參與者被要求用他們自己的話解釋這個程序做錯了什么。

實(shí)驗(yàn)結(jié)果如下圖所示：

研究人員發(fā)現(xiàn)，當(dāng)我們用人類參與者的調(diào)試替換GPT-4自己的調(diào)試時，總體成功率提高了1.57×以上。

不出意外的是，隨著問題變得更難，相對差異也會增加，這表明當(dāng)任務(wù)（和代碼）變得更復(fù)雜時，GPT-4產(chǎn)生準(zhǔn)確和有用反饋的能力遠(yuǎn)遠(yuǎn)落后于人類參與者。

作者介紹

Jianfeng Gao

高劍鋒是微軟的杰出科學(xué)家和副總裁，也是IEEE Fellow。

在微軟研究院，他是Redmond分部深度學(xué)習(xí)（DL）組的負(fù)責(zé)人。該組的使命是推進(jìn)DL的最新技術(shù)，并將其應(yīng)用于自然語言和圖像理解以及構(gòu)建對話代理。他領(lǐng)導(dǎo)了構(gòu)建大規(guī)?；A(chǔ)模型的研究，這些模型為微軟的重要人工智能產(chǎn)品提供了支持。

從2022年開始，他負(fù)責(zé)自我改進(jìn)人工智能的研究，其中包括對LLM（如ChatGPT/GPT4）進(jìn)行增強(qiáng)和適應(yīng)，以用于商業(yè)人工智能系統(tǒng)的開發(fā)。

在此之前，他于1999年在上海交通大學(xué)獲得博士學(xué)位。

Chenglong Wang

Chenglong Wang是微軟研究院的研究員，此前在華盛頓大學(xué)獲得了博士學(xué)位，并曾就讀于北京大學(xué)。

符堯的相似發(fā)現(xiàn)

論文地址：https://arxiv.org/abs/2305.10142

在這篇論文中，研究人員研究了多個LLM是否能夠在談判博弈中進(jìn)行自主改進(jìn)。

如果LLM能夠相互進(jìn)行改進(jìn)，這將意味著研究人員有可能在最少的人為干預(yù)下創(chuàng)建強(qiáng)大的AI代理。

他們讓兩個LLM分別扮演買方和賣方的角色，目標(biāo)是與買家達(dá)成交易，買家的目標(biāo)價格應(yīng)該較低，賣家的目標(biāo)價格應(yīng)該較高。

研究人員又找來第三種語言模型，扮演評論家提供反饋，以改進(jìn)另兩個LLM的談判策略。

研究人員讓兩個LLM進(jìn)行了多輪比賽，使用之前的談判歷史和AI反饋?zhàn)鳛樯舷挛?，迭代地改進(jìn)模型的談判策略。

兩個LLM分別是GPT和Claude，使用交易價格作為評估指標(biāo)。

團(tuán)隊(duì)發(fā)現(xiàn)，只有一小部分可以通過AL反饋進(jìn)行自我博弈并提高交易價格，較弱的模型要么不理解游戲規(guī)則，要么不能納入AI反饋以進(jìn)一步改進(jìn)。

此外，扮演不同角色的模型從反饋中學(xué)習(xí)的能力不同。例如，Claude-instant作為買方比作為賣方更難提高。

同時，當(dāng)游戲展開到多個回合時，更強(qiáng)大的代理可以通過有意地使用之前的經(jīng)驗(yàn)和迭代AI反饋來不斷提高自己的表現(xiàn)，但卻有更高的破壞交易的風(fēng)險。

研究人員希望這部分工作能夠提供一些初步探索，讓模型通過游戲和AI反饋?zhàn)灾鞯叵嗷ジ倪M(jìn)。

研究人員研究了多個LLM是否可以在協(xié)商游戲中以最少的人為干預(yù)進(jìn)行相互改進(jìn)，就像AlphaGo Zero那樣——AI智能體通過在明確定義的規(guī)則下，持續(xù)進(jìn)行競爭游戲來提高自己。

這個問題具有深遠(yuǎn)的意義。如果智能體能夠進(jìn)行自主改進(jìn)，研究人員就可以在很少的人工注釋下創(chuàng)建強(qiáng)大的智能體，大大節(jié)省了訓(xùn)練成本。

在風(fēng)險方面，它還意味著將能創(chuàng)建出具有有限人工監(jiān)督的強(qiáng)代理。

下圖就是Claude和GPT討價還價的圖示：

第一輪先由買賣雙方自由發(fā)揮，然后AI給出反饋。

之后買賣雙方再根據(jù)反饋的內(nèi)容進(jìn)行新一輪互動。

圖B展示了AI可能給出的反饋，以及GPT-4根據(jù)反饋如何提升自己。

比如flinch technique，一種砍價的時候的「退縮技巧」，展示出一種意外和失落。

話術(shù)就像：哎這可比我想的貴啊。

只有性能強(qiáng)大的AI才能每輪都從反饋中提升，性能較弱的AI做不到這一點(diǎn)。

下圖中C1表示可以進(jìn)行日常交談的模型，C2表示可以進(jìn)行角色扮演、討價還價的模型，C3表示單輪內(nèi)可以從AI反饋中提升自己的模型，C4則是最強(qiáng)一批——可以持續(xù)進(jìn)行提升的模型。

實(shí)驗(yàn)表明，在AlphaGo Zero模式下，在定義明確的規(guī)則下，通過迭代AI反饋的持續(xù)比賽，某些模型確實(shí)可以得到改善。

研究人員還展示了下一輪游戲中，價格改進(jìn)和成功率之間的權(quán)衡，因?yàn)楦玫慕灰變r格也伴隨著更高的風(fēng)險。

這表明，在未來的研究中，可能會考慮全局優(yōu)化，以提高多輪的整體收益。

研究人員進(jìn)一步從迭代AI反饋中展示了語言改進(jìn)的證據(jù)：在多輪游戲中，一個模型可能比另一個模型精煉， 可以更好地調(diào)整單詞，從而更有效地獲得更好的交易。

研究人員相信該結(jié)果對AI研究具有深遠(yuǎn)的影響。

從積極的方面來看，它表明了在最少的人為干預(yù)下不斷改進(jìn)語言模型是非?？赡艿摹?/span>

而風(fēng)險方面，在研究人員的框架中監(jiān)督模型行為可能更具挑戰(zhàn)性——因?yàn)槟Ｐ褪亲灾餍袆拥?，這需要未來在多智能體游戲環(huán)境下進(jìn)行對齊和安全性研究。