GPT-4o數(shù)學能力跑分直掉50%，上海AI Lab開始給大模型重新出題了
新模型在MATH上（以數(shù)學競賽為主）動輒跑分80%甚至90%以上，卻一用就廢。
這合理嗎？？
為了真實檢驗?zāi)Ｐ蛿?shù)學推理能力，上海人工智能實驗室司南OpenCompass團隊放大招了。
推出新的復(fù)雜數(shù)學評測集LiveMathBench，以全新性能指標G-Pass@16??來連續(xù)評估模型的性能潛力和穩(wěn)定性。
好家伙！團隊在模擬真實用戶使用采樣策略、重復(fù)多次評測大模型的數(shù)學推理能力時發(fā)現(xiàn)：
大部分的模型平均會有五成以上的性能下降，即使是最強推理模型o1-mini也會下降3成6，更有模型直接下降九成。
具體咋回事兒下面接著看。
全新評價指標: G-Pass@k
研究團隊重新思考了大模型評測常用的技術(shù)指標，如傳統(tǒng)經(jīng)常采用的Pass@k, Best-of-N, Majority Voting，這些指標主要關(guān)注模型的性能潛力，缺少對模型的魯棒性的評測。
而真實場景中，為了提高回復(fù)的多樣性，模型往往使用采樣解碼的方式進行推理，這也會帶來大量的隨機性。在復(fù)雜推理任務(wù)中，這種隨機性會嚴重影響模型的性能，而用戶更預(yù)期在真實問題中，模型能又穩(wěn)又好。
Pass@k指標回顧
經(jīng)典的Pass@k指標關(guān)注模型在多次生成中至少給出一次正確答案的概率。假設(shè)模型生成次數(shù)為??，正確答案數(shù)為??，c表示其中正確解的數(shù)量，那么Pass@k的計算方式如下：
兼顧性能潛力與穩(wěn)定性的評測指標G-Pass@K
Pass@k體現(xiàn)了模型的性能潛力，卻不能體現(xiàn)模型的穩(wěn)定性，基于這一目的團隊將Pass@k推廣為Generalized Pass@k（以下簡稱G-Pass@k??）。
通過引入閾值??，該工作關(guān)注模型在??次生成中至少給出 ? ?? · ?? ?次正確答案的概率。
一般來說，認為模型的每次生成是i.i.d.（Independent and Identically Distributed）的，那么模型給出的正確答案數(shù)服從二項分布，這可以通過超幾何分布逼近二項分布?；诖?，可以得出G-Pass@k??的定義：
在??較小時，G-Pass@k??衡量模型的性能潛力；??較大時，G-Pass@k??衡量模型的穩(wěn)定性，或者說模型對于問題的掌握程度，因此研究者可以通過G-Pass@k??連續(xù)地觀察模型的性能潛力與穩(wěn)定性。
進?步地，研究團隊還定義了mG-Pass@k用于對模型的性能進行整體觀測。
具體來說，mG-Pass@k是 ??—G-Pass@k??曲線下的面積，為了更好地模擬真實場景，團隊重點考慮???[0.5，0.1 ]的情況，即：
G-Pass@K是Pass@K是泛化形式
當? ?? · ?? ?=1時，Pass@K是G-Pass@k??等價，這意味著Pass@K是G-Pass@k??的特例，讀者可以參考論文附錄提供的證明。
研究團隊給出了兩者關(guān)系的對比分析，如下圖所示：
圖中展示了不同的??和c下Pass@K和G-Pass@k??的值，可以看出在??較小時，兩者反映的是模型的潛力，然而這種分數(shù)可能是偏高的，在24/80的整體通過率下，Pass@K指標的值可以接近80%。
但當關(guān)注較高的??時，更能夠觀察到模型在實際生成時的真實性能。
LiveMathBench：避免數(shù)據(jù)污染的復(fù)雜數(shù)學評測集
研究團隊構(gòu)建了一個新的benchmark LiveMathBench用于驗證實驗。
具體來說，他們收集了最近發(fā)布的中國數(shù)學奧林匹克，中國高考最新模擬題，美國數(shù)學競賽和美國普特南數(shù)學競賽中最新的題目，盡量減少數(shù)據(jù)污染的可能性。
整個LiveMathBench（202412版本）包括238道題目，每個題目提供中文/英文兩個版本的題目，覆蓋不同的難度。研究團隊計劃后續(xù)持續(xù)更新LiveMathBench中的題目，來持續(xù)觀測LLM的真實數(shù)學水平。
另外，研究團隊還在兩個公開Benchmark MATH500和AIME2024上進行了實驗。
對于MAH500，研究團隊選擇了難度為L5的題目，命名為MATH500-L5；對于AIME2024，研究團隊使用了Part1和Part2兩個部分全部45道題目，命名為AIME2024-45。
實驗
在實驗設(shè)置方面，對于每道題目，進行了16*3=48次生成并報告G-Pass@16??分數(shù)。研究團隊在通用模型、數(shù)學模型和類o1模型三種不同類型的大模型中選擇了具有代表性的大模型進行實驗。
LiveMathBench性能對比如下：
根據(jù)實驗結(jié)果，可以看到：
- 大部分閉源模型和開源模型在G-Pass@161.0指標上也都不超過30分。
- 最強的o1-mini模型在G-Pass@161.0獲得了最高分42分，相對性能下降比例也是所有模型中最低的（36.9%），雖體現(xiàn)出相對較高的穩(wěn)定性，但仍然難以忽視。
Math-500-L5/AIME2024-45性能對比如下。
對于開源數(shù)據(jù)集：
- 在常用的高中競賽級別題目MATH500-L5上，多數(shù)模型不管是貪婪解碼的表現(xiàn)還是穩(wěn)定性G-Pass@161.0的表現(xiàn)都相比LiveMathBench都有所提升，而AIME2024則相反，大多數(shù)模型的G-Pass@161.0分數(shù)都只有個位數(shù)，甚至部分模型接近0分；
- 對于難度頗高的AIME2024，雖然o1-min和QwQ-32B-Preview在貪婪解碼下表現(xiàn)突出，但面對高難度題目下的穩(wěn)定性還是難以保證，如QwQ-32B-Preview甚至跌到了不到原來的1/5，而其在MATH500-L5中卻比較穩(wěn)定，達到了原分數(shù)的3/5，這也說明了最新的高難度數(shù)學題目對模型的穩(wěn)定性帶來了更大的壓力。
最后，模型在不同難度題目上的能力分析如下 。
下表展示了關(guān)鍵模型在LiveMathBench兩個子集上的性能表現(xiàn)。
其中CCEE代表中國高考題目，主要涉及到基礎(chǔ)的高中數(shù)據(jù)知識；而WLPMC代表來自普特南（Putnam）競賽的題目，普特南競賽是久負盛名的美國大學生數(shù)學競賽，其題目難度要高于高考題目。
由實驗結(jié)果可以看出，先進的推理模型，例如DeepSeek-V2.5, Qwen2.5-72B-Instruct, QwQ等在Pass@16指標下在兩個子集上都有較好的性能，但大部分模型在WLPMC上的穩(wěn)定性下降更為嚴重。
因此可以有如下猜想，推理模型容易學習到訓(xùn)練數(shù)據(jù)中的平凡解，導(dǎo)致Pass@k等指標的上升，然而在困難的問題上，這種提升并不與模型真實推理性能提升相關(guān)。在強基座模型的訓(xùn)練中，更應(yīng)該關(guān)注推理穩(wěn)定性的表現(xiàn)，以提升其真實推理能力。
重要觀測
觀察一：閉源和開源模型均不能穩(wěn)定地進行復(fù)雜推理
研究人員對當前主流的約20個模型進行了測試，發(fā)現(xiàn)盡管多數(shù)模型在貪婪解碼的準確率Greedy Accuracy和Pass@16上表現(xiàn)相對較好，但當使用G-Pass@K指標進?評估時，性能卻顯著下降。
當??設(shè)置為1.0時，即要求模型在所有16次采樣中都提供正確答案， 幾乎所有模型的表現(xiàn)都急劇下降。
例如，在對LiveMathBench的測評中，Llama-3.1-8B-Instruct模型的準確率從18.1%下降到0.8%（G-Pass@16??=1.0），降幅高達95.7%。即使是較大的模型，如NuminaMath-72B-CoT，其準確率也從34.45%下降到3.7%，減少了89.3%。
在大約20個測試模型中，平均性能下降了60%。即便是表現(xiàn)最為穩(wěn)定的OpenAI o1-mini，其準確率也從66.5%下降到42.0%，降幅為36.9%。
即使將??放寬到0.5，即只要求一半的樣本正確即可通過，通用模型、數(shù)學推理模型和o1-like模型仍分別經(jīng)歷了14.0%、22.5%和4.8%的平均性能下降。
這表明，在復(fù)雜條件下，多數(shù)模型難以在多次采樣中保持一致的推理能力。
不過目前的評估指標通常依賴單次貪婪解碼，可能無法充分反映這些模型在實際應(yīng)用中的魯棒性和穩(wěn)定性。
因此，研究團隊指出，需要對模型的推理能力進行更嚴格的評估，尤其是在那些需要在多次采樣中保持一致性和可靠性的重要應(yīng)用中。
觀察二：增大模型規(guī)模對推理能力的提升有限
研究人員觀察到，以同系列模型Qwen2.5-32B-Instruct與Qwen2.5-72B-Instruct為例，雖然它們的模型規(guī)模相差一倍以上，但無論指標采用G-Pass@K還是Greedy Accuracy，無論評測數(shù)據(jù)集是最新的LiveMathBench還是現(xiàn)有開源數(shù)據(jù)集，兩者的表現(xiàn)均相似。
另外，在更大體量的模型Mistral-Large-Instruct-2411（123B）上，盡管模型規(guī)模繼續(xù)增大，但其性能和穩(wěn)定性相比 Qwen2.5-72B-Instruct 卻出現(xiàn)下滑。
這表明，對于需要深度理解和邏輯推理的任務(wù)，簡單增大參數(shù)并不能顯著提升性能或穩(wěn)定性。
這可能是因為這些任務(wù)不僅需要模型具備記憶和模式識別能力，更需要強大的推理和上下文理解能力。
觀察三：模型的性能潛力和實際表現(xiàn)之間的巨大差距
研究團隊在評估模型性能時發(fā)現(xiàn)，理論最大能力G-Pass@16??→0、實際表現(xiàn)能力Greedy Accuracy和多次采樣下的穩(wěn)定能力G-Pass@16??=1.0之間存在顯著差距。
盡管模型在理論上具備相當高的潛在性能，但在實際應(yīng)用中未能充分展現(xiàn)這一水平，尤其是在輸出穩(wěn)定性方面。一些模型在單次貪婪解碼中表現(xiàn)出高準確率，顯示出處理特定任務(wù)的潛力，但在保持一致高準確率方面卻不穩(wěn)定，遠未達到最佳性能。
這反映了現(xiàn)有模型在推理穩(wěn)定性和一致性上的不足，這在訓(xùn)練和評估中常被忽略。
模型在單次推理表現(xiàn)中易受輸入數(shù)據(jù)變化、初始化狀態(tài)或隨機采樣的影響，導(dǎo)致不同采樣解碼的結(jié)果不一致。
研究人員指出，在高可靠性和一致性要求的實際應(yīng)用中，如何在保持接近最佳性能的同時確保輸出的穩(wěn)定性，是一個亟待解決的問題。
總結(jié)
本研究深入分析了當前大型模型的數(shù)學推理能力，提出了全新的性能指標G-Pass@16?? ，用于連續(xù)評估模型的性能潛力和穩(wěn)定性。
此外，還設(shè)計了避免數(shù)據(jù)污染的LiveMathBench數(shù)據(jù)集。
實驗結(jié)果顯示，目前的大型模型在推理性能方面未達到預(yù)期，尤其在多次重復(fù)采樣時，性能出現(xiàn)顯著下降。研究團隊期望學術(shù)界和工業(yè)界能夠在推理能力的魯棒性研究上持續(xù)探索與推進。
論文鏈接：https://arxiv.org/abs/2412.13147
項目地址：https://github.com/open-compass/GPassK
