GPT-4的圖形推理能力，竟然連人類(lèi)的一半都不到？

美國(guó)圣塔菲研究所的一項(xiàng)研究顯示，GPT-4做圖形推理題的準(zhǔn)確率僅有33%。

而具有多模態(tài)能力的GPT-4v表現(xiàn)更糟糕，只能做對(duì)25%的題目。

△虛線表示16項(xiàng)任務(wù)的平均表現(xiàn)

這項(xiàng)實(shí)驗(yàn)結(jié)果發(fā)表后，迅速在YC上引發(fā)了廣泛熱議。

贊同這項(xiàng)結(jié)果的網(wǎng)友表示，GPT確實(shí)不擅長(zhǎng)抽象圖形處理，“位置”“旋轉(zhuǎn)”等概念理解起來(lái)更加困難。

但另一邊，不少網(wǎng)友對(duì)這個(gè)結(jié)論也有所質(zhì)疑，簡(jiǎn)單說(shuō)就是：

不能說(shuō)是錯(cuò)的，但說(shuō)完全正確也無(wú)法讓人信服。

至于具體的原因，我們繼續(xù)往下看。

GPT-4準(zhǔn)確率僅33%

為了評(píng)估人類(lèi)和GPT-4在這些圖形題上的表現(xiàn)，研究者使用了自家機(jī)構(gòu)于今年5月推出的ConceptARC數(shù)據(jù)集。

ConceptARC中一共包括16個(gè)子類(lèi)的圖形推理題，每類(lèi)30道，一共480道題目。

這16個(gè)子類(lèi)涵蓋了位置關(guān)系、形狀、操作、比較等多個(gè)方面的內(nèi)容。

具體而言，這些題目都是由一個(gè)個(gè)像素塊組成的，人類(lèi)和GPT需要根據(jù)給定的示例尋找出規(guī)律，分析出圖像經(jīng)過(guò)相同方式處理后的結(jié)果。

作者在論文中具體展示了這16個(gè)子類(lèi)的例題，每類(lèi)各一道。

結(jié)果451名人類(lèi)受試者平均正確率，在各子項(xiàng)中均不低于83%，16項(xiàng)任務(wù)再做平均，則達(dá)到了91%。

而GPT-4（單樣本）在“放水”到一道題可以試三次（有一次對(duì)就算對(duì)）的情況下，準(zhǔn)確率最高不超過(guò)60%，平均值只有33%。

早些時(shí)候，這項(xiàng)實(shí)驗(yàn)涉及的ConceptARC Benchmark的作者也做過(guò)類(lèi)似的實(shí)驗(yàn)，不過(guò)在GPT-4中進(jìn)行的是零樣本測(cè)試，結(jié)果16項(xiàng)任務(wù)的平均準(zhǔn)確率只有19%。

而多模態(tài)的GPT-4v，準(zhǔn)確率反而更低，在一個(gè)48道題組成的小規(guī)模ConceptARC數(shù)據(jù)集中，零樣本和單樣本測(cè)試的準(zhǔn)確率分別只有25%和23%

而研究者在進(jìn)一步分析了錯(cuò)誤答案后，發(fā)現(xiàn)人類(lèi)的有些錯(cuò)誤看上去很可能是“粗心導(dǎo)致”，而GPT則是完全沒(méi)有理解題目中的規(guī)律。

針對(duì)這些數(shù)據(jù)，網(wǎng)友們普遍沒(méi)什么疑問(wèn)，但讓這個(gè)實(shí)驗(yàn)備受質(zhì)疑的，是招募到的受試人群和給GPT的輸入方式。

受試者選擇方式遭質(zhì)疑

一開(kāi)始，研究者在亞馬遜的一個(gè)眾包平臺(tái)上招募受試者。

研究者從數(shù)據(jù)集中抽取了一些簡(jiǎn)單題目作為入門(mén)測(cè)試，受試者需要答對(duì)隨機(jī)3道題目中的至少兩道才能進(jìn)入正式測(cè)試。

結(jié)果研究人員發(fā)現(xiàn)，入門(mén)測(cè)試的結(jié)果顯示，有人只是想拿錢(qián)，但根本不按要求做題。

迫不得已，研究者將參加測(cè)試的門(mén)檻上調(diào)到了在平臺(tái)上完成過(guò)不少于2000個(gè)任務(wù)，且通過(guò)率要達(dá)到99%。

不過(guò)，雖然作者用通過(guò)率篩人，但是在具體能力上，除了需要受試者會(huì)英語(yǔ)，對(duì)圖形等其他專(zhuān)業(yè)能力“沒(méi)有特殊要求”。

而為了數(shù)據(jù)的多樣化，研究者在實(shí)驗(yàn)后期又將招募工作轉(zhuǎn)到了另一個(gè)眾包平臺(tái)，最終 一共有415名受試者參與了實(shí)驗(yàn)。

盡管如此，還是有人質(zhì)疑實(shí)驗(yàn)中的樣本“不夠隨機(jī)”。

還有網(wǎng)友指出，研究者用來(lái)招募受試者的亞馬遜眾包平臺(tái)上，有大模型在冒充人類(lèi)。

再來(lái)看GPT這邊的操作，多模態(tài)版本比較簡(jiǎn)單，直接傳圖然后用這樣的提示詞就可以了：

零樣本測(cè)試中，則只要去掉相應(yīng)的EXAMPLE部分。

但對(duì)于不帶多模態(tài)的純文本版GPT-4（0613），則需要把圖像轉(zhuǎn)化為格點(diǎn)，用數(shù)字來(lái)代替顏色。

針對(duì)這種操作，就有人表示不認(rèn)同了：

把圖像轉(zhuǎn)換成數(shù)字矩陣后，概念完全變了，就算是人類(lèi)，看著用數(shù)字表示的“圖形”，可能也無(wú)法理解

One More Thing

無(wú)獨(dú)有偶，斯坦福的華人博士生Joy Hsu也用幾何數(shù)據(jù)集測(cè)試了GPT-4v對(duì)圖形的理解能力。

這個(gè)數(shù)據(jù)集發(fā)表于去年，目的是測(cè)試大模型對(duì)歐氏幾何的理解，GPT-4v開(kāi)放后，Hsu又用這套數(shù)據(jù)集給它測(cè)試了一遍。

結(jié)果發(fā)現(xiàn)，GPT-4v對(duì)圖形的理解方式，似乎“和人類(lèi)完全不同”。

數(shù)據(jù)上，GPT-4v對(duì)這些幾何問(wèn)題的回答也明顯不如人類(lèi)。

論文地址：
[1]https://arxiv.org/abs/2305.07141
[2]https://arxiv.org/abs/2311.09247