大模型長(zhǎng)文本能力測(cè)試，又有新方法了！

騰訊MLPD實(shí)驗(yàn)室，用全新開源的“數(shù)星星”方法替代了傳統(tǒng)的“大海撈針”測(cè)試。

相比之下，新方法更注重對(duì)模型處理長(zhǎng)依賴關(guān)系能力的考察，對(duì)模型的評(píng)估更加全面精準(zhǔn)。

利用這種方法，研究人員對(duì)GPT-4和國(guó)內(nèi)知名的Kimi Chat進(jìn)行了“數(shù)星星”測(cè)試。

結(jié)果，在不同的實(shí)驗(yàn)條件下，兩款模型各有勝負(fù)，但都體現(xiàn)出了很強(qiáng)的長(zhǎng)文本能力。

△橫軸系以2為底的對(duì)數(shù)坐標(biāo)

那么，“數(shù)星星”究竟是怎樣的一種測(cè)試呢？

比“大海撈針”更加精準(zhǔn)

首先，研究人員選擇了一段長(zhǎng)文本做為上下文，測(cè)試過程中長(zhǎng)度逐漸遞增，最大為128k。

然后，根據(jù)不同的測(cè)試難度需求，整段文本會(huì)被劃分成N段，并向其中插入M個(gè)包含“星星”的句子。

實(shí)驗(yàn)過程中，研究人員選擇了《紅樓夢(mèng)》作為上下文文本，向其中加入了“小企鵝數(shù)了x顆星星”這樣的句子，每個(gè)句子中的x都各不相同。

然后，模型會(huì)被要求找到所有這樣的句子，并以JSON格式輸出其中所有的數(shù)字，且只輸出數(shù)字。

得到模型的輸出之后，研究人員會(huì)將這些數(shù)字和Ground Truth進(jìn)行對(duì)比，最終計(jì)算出模型輸出的正確率。

相比于之前的“大海撈針”測(cè)試，這種“數(shù)星星”的方法更能體現(xiàn)出模型處理長(zhǎng)依賴關(guān)系能力。

簡(jiǎn)而言之，“大海撈針”中插入多個(gè)“針”就是插入多個(gè)線索，然后讓大模型找到并串聯(lián)推理多個(gè)線索，并獲得最終答案。

但實(shí)際的“大海撈多針”測(cè)試中，模型并不需要找到所有“針”才能答對(duì)問題，甚至有時(shí)只需要找到最后一根就可以了。

但“數(shù)星星”則不同——因?yàn)槊烤湓捴小靶切恰钡臄?shù)量都不一樣，模型必須把所有星星都找到才能把問題答對(duì)。

所以，雖然看似簡(jiǎn)單，但至少在多“針”任務(wù)上，“數(shù)星星”對(duì)模型長(zhǎng)文本能力有著更為精準(zhǔn)的體現(xiàn)。

那么，有哪些大模型最先接受了“數(shù)星星”測(cè)試呢？

GPT-4與Kimi難分高下

參加這場(chǎng)測(cè)試的大模型分別是GPT-4和國(guó)內(nèi)以長(zhǎng)文本能力而知名的大模型Kimi。

在“星星”數(shù)量和文本粒度均為32時(shí)，GPT-4的準(zhǔn)確率達(dá)到了96.8%，Kimi則有86.4%。

但當(dāng)“星星”增加到64顆時(shí)，Kimi則以93.1%的準(zhǔn)確率超過了準(zhǔn)確率為89.7%的GPT-4.

減少到16時(shí)，也是Kimi的表現(xiàn)略勝于GPT-4。

而劃分的顆粒度也會(huì)對(duì)模型的表現(xiàn)造成一些影響，在“星星”同樣出現(xiàn)32次時(shí)，顆粒度從32變?yōu)?6，GPT-4的成績(jī)有所上升，而Kimi則有所下降。

需要注意的是，在以上的測(cè)試中，“星星”的數(shù)量是依次遞增的，但研究人員很快發(fā)現(xiàn)，這種情況下大模型很喜歡“偷懶”——

當(dāng)模型發(fā)現(xiàn)星星數(shù)量是遞增的的時(shí)候，即使區(qū)間內(nèi)的數(shù)字是隨機(jī)生成，也會(huì)引起大模型的敏感度增加。

例如：模型對(duì)3、9、10、24、1145、114514這樣的遞增序列會(huì)比24、10、3、1145、9、114514更加敏感

所以，研究人員又特意將數(shù)字的順序進(jìn)行了打亂，重新進(jìn)行了一次測(cè)試。

結(jié)果在打亂之后，GPT-4和Kimi的表現(xiàn)都出現(xiàn)了明顯下降，不過準(zhǔn)確率仍在60%以上，兩者相差8.6個(gè)百分點(diǎn)。

One More Thing

這個(gè)方法的準(zhǔn)確性可能還需要時(shí)間檢驗(yàn)，但不得不說名字起得真的很有一手。

△英文系同名歌曲Counting Stars歌詞

網(wǎng)友也不禁感嘆，現(xiàn)在關(guān)于大模型的研究，真的是越來越魔幻了。

但魔幻的背后，也體現(xiàn)出人們對(duì)于大模型長(zhǎng)語(yǔ)境處理能力和性能的了解還不夠充分。

就在前些天，先后有多家大模型廠商宣布推出能夠處理超長(zhǎng)文本的模型（雖然不全是基于上下文窗口實(shí)現(xiàn)），最高可達(dá)上千萬(wàn)，但實(shí)際表現(xiàn)還是未知數(shù)。

而Counting Stars的出現(xiàn)，或許正好有助于我們了解這些模型的真實(shí)表現(xiàn)。

那么，你還想看看哪些模型的測(cè)試成績(jī)呢？

論文地址：https://arxiv.org/abs/2403.11802
GitHub：https://github.com/nick7nlp/Counting-Stars