一個(gè)參數(shù)量為 13B 的模型竟然打敗了頂流 GPT-4？就像下圖所展示的，并且為了確保結(jié)果的有效性，這項(xiàng)測試還遵循了 OpenAI 的數(shù)據(jù)去污方法，更關(guān)鍵的是沒有發(fā)現(xiàn)數(shù)據(jù)污染的證據(jù)。

如果你細(xì)細(xì)查看圖中的模型，發(fā)現(xiàn)只要帶有「rephraser」這個(gè)單詞，模型性能都比較高。

這背后到底有何貓膩？原來是數(shù)據(jù)污染了，即測試集信息在訓(xùn)練集中遭到泄漏，而且這種污染還不易被檢測到。盡管這一問題非常關(guān)鍵，但理解和檢測污染仍然是一個(gè)開放且具有挑戰(zhàn)性的難題。

現(xiàn)階段，去污最常用的方法是 n-gram 重疊和嵌入相似性搜索：N-gram 重疊依賴于字符串匹配來檢測污染，是 GPT-4、PaLM 和 Llama-2 等模型常用方法；嵌入相似性搜索使用預(yù)訓(xùn)練模型（例如 BERT）的嵌入來查找相似且可能受到污染的示例。

然而，來自 UC 伯克利、上海交通大學(xué)的研究表明測試數(shù)據(jù)的簡單變化（例如，改寫、翻譯）就可以輕松繞過現(xiàn)有的檢測方法。他們并將測試用例的此類變體稱為「改寫樣本（Rephrased Samples）」。

下面演示了 MMLU 基準(zhǔn)測試中的改寫樣本。結(jié)果證明，如果訓(xùn)練集中包含此類樣本，13B 模型可以達(dá)到極高的性能 (MMLU 85.9)。不幸的是，現(xiàn)有的檢測方法（例如，n-gram 重疊、嵌入相似性）無法檢測到這種污染。比如嵌入相似性方法很難將改寫的問題與同一主題中的其他問題區(qū)分開來。

通過類似的改寫技術(shù)，本文在廣泛使用的編碼和數(shù)學(xué)基準(zhǔn)測試中觀察到一致的結(jié)果，例如 HumanEval 和 GSM-8K（如文章開頭圖中所示）。因此，能夠檢測此類改寫樣本變得至關(guān)重要。

接下來，我們看看這項(xiàng)研究是如何進(jìn)行的。

• 論文地址：https://arxiv.org/pdf/2311.04850.pdf
• 項(xiàng)目地址：https://github.com/lm-sys/llm-decontaminator#detect

論文介紹

文中表示，大模型（LLM）在快速發(fā)展的同時(shí)，關(guān)于測試集污染的問題被越來越多的重視起來，很多人對公共基準(zhǔn)的可信度表示擔(dān)憂。

為了解決這一問題，有些人采用傳統(tǒng)的去污方法如字符串匹配（例如，n-gram 重疊）來刪除基準(zhǔn)數(shù)據(jù)，但這些操作還遠(yuǎn)遠(yuǎn)不夠，因?yàn)閷y試數(shù)據(jù)進(jìn)行一些簡單的更改（例如，改寫、翻譯）就可以輕松繞過這些凈化措施。 

更重要的是，如果不消除測試數(shù)據(jù)的這種更改，13B 模型很容易過度擬合測試基準(zhǔn)并實(shí)現(xiàn)與 GPT-4 相當(dāng)?shù)男阅堋Ｋ麄冊?MMLU、GSK8k 和 HumanEval 等基準(zhǔn)測試中驗(yàn)證了這些觀察結(jié)果。

同時(shí)為了解決這些日益增長的風(fēng)險(xiǎn)，本文還提出了一種更為強(qiáng)大的基于 LLM 的去污方法 LLM decontaminator，并將其應(yīng)用于流行的預(yù)訓(xùn)練和微調(diào)數(shù)據(jù)集，結(jié)果表明，本文提出的 LLM 方法在刪除改寫樣本方面明顯優(yōu)于現(xiàn)有方法。

這一做法也揭露了一些先前未知的測試重疊（test overlap）。例如，在 RedPajamaData-1T 和 StarCoder-Data 等預(yù)訓(xùn)練集中，本文發(fā)現(xiàn) HumanEval 基準(zhǔn)有 8-18% 重疊。此外，本文還在 GPT-3.5/4 生成的合成數(shù)據(jù)集中發(fā)現(xiàn)了這種污染，這也說明了在 AI 領(lǐng)域存在潛在的意外污染風(fēng)險(xiǎn)。

本文希望，社區(qū)在使用公共基準(zhǔn)時(shí)采取更強(qiáng)有力的凈化方法，并呼吁社區(qū)積極開發(fā)新的一次性測試（one-time exams）案例來準(zhǔn)確評估模型。

改寫樣本

本文的目標(biāo)是調(diào)查訓(xùn)練集中包含測試集的簡單變化是否會(huì)影響最終的基準(zhǔn)性能，并將測試用例的這種變化稱為「改寫樣本」。實(shí)驗(yàn)中考慮了基準(zhǔn)的各個(gè)領(lǐng)域，包括數(shù)學(xué)、知識和編碼。示例 1 是來自 GSM-8k 的改寫樣本，其中有 10-gram 重疊無法檢測到，修改后和原始文本保持相同的語義。

基準(zhǔn)污染具有不同的形式，因此改寫技術(shù)存在一些細(xì)微的差異。對于基于文本的基準(zhǔn)，本文在不改變語義的情況下改寫測試用例，例如通過重新排列詞序或用同義術(shù)語替換；對于基于代碼的基準(zhǔn)測試，本文改變編碼風(fēng)格、命名方式等。

如下所示，算法 1 中針對給定的測試集提出了一種簡單的算法。該方法可以幫助測試樣本逃避檢測。

接下來本文提出了一種新的污染檢測方法，可以準(zhǔn)確地從相對于基準(zhǔn)的數(shù)據(jù)集中刪除改寫樣本。

具體而言，本文引入了 LLM decontaminator。首先，對于每個(gè)測試用例，它使用嵌入相似度搜索來識別具有最高相似度的 top-k 訓(xùn)練項(xiàng)，之后通過 LLM（例如 GPT-4）評估每一對是否相同。這種方法有助于確定數(shù)據(jù)集中有多少改寫樣本。

圖 4 展示了不同污染以及不同檢測方法的維恩圖。

實(shí)驗(yàn)

在第 5.1 節(jié)中，實(shí)驗(yàn)證明了在改寫樣本上訓(xùn)練的模型可以取得顯著的高分，在三個(gè)廣泛使用的基準(zhǔn)（MMLU、HumanEval 和 GSM-8k）中實(shí)現(xiàn)與 GPT-4 相當(dāng)?shù)男阅埽@表明改寫樣本應(yīng)被視為污染，應(yīng)從訓(xùn)練數(shù)據(jù)中刪除。在第 5.2 節(jié)中，本文根據(jù) MMLU/HumanEval 中改寫樣本評估不同的污染檢測方法。在第 5.3 節(jié)中，本文將 LLM decontaminator 應(yīng)用于廣泛使用的訓(xùn)練集并發(fā)現(xiàn)以前未知的污染。

接下來我們看看一些主要結(jié)果。

改寫樣本污染基準(zhǔn)

如表 2 所示，在改寫樣本上訓(xùn)練的 Llama-2 7B 和 13B 在 MMLU 上取得顯著的高分，從 45.3 到 88.5。這表明經(jīng)過改寫的樣本可能會(huì)嚴(yán)重扭曲基準(zhǔn)數(shù)據(jù)，應(yīng)被視為污染。

本文還對 HumanEval 測試集進(jìn)行了改寫，并將其翻譯成五種編程語言：C、JavaScript、Rust、Go 和 Java。結(jié)果顯示，在改寫樣本上訓(xùn)練的 CodeLlama 7B 和 13B 在 HumanEval 上可以取得極高的分?jǐn)?shù)，分別從 32.9 到 67.7 以及 36.0 到 81.1。相比之下，GPT-4 在 HumanEval 上只能達(dá)到 67.0。

下表 4 取得了同樣的效果：

對檢測污染方法的評估

如表 5 所示，除 LLM decontaminator 外，所有其他檢測方法都會(huì)引入一些誤報(bào)。改寫和翻譯的樣本都不會(huì)被 n-gram 重疊檢測到。使用 multi-qa BERT，嵌入相似性搜索被證明對翻譯樣本完全無效。

數(shù)據(jù)集污染情況

表 7 顯示了每個(gè)訓(xùn)練數(shù)據(jù)集中不同基準(zhǔn)的數(shù)據(jù)污染百分比。

LLM decontaminator 揭示了 79 個(gè)自改寫樣本的實(shí)例，占 MATH 測試集的 1.58%。示例 5 是 MATH 訓(xùn)練數(shù)據(jù)中 MATH 測試的改寫示例。

了解更多內(nèi)容，請查看原論文。