一项新的“大模型 Benchmark”在推特上爆火,LeCun 也点赞转发了!
而且无论是 GPT-4 还是 Claude 3,面对它都如同被夺了魂,无法给出正确答案。
![](http://n.sinaimg.cn/spider20240624/115/w1080h635/20240624/416a-9615243416d8db650d5a167a403b58ad.png)
难倒一众大模型的,是逻辑学当中经典的“动物过河”问题,有网友发现,大模型对此类问题表现得很不擅长。
甚至有人观察到,几个不同的模型都给出了一致的(错误)答案,让人怀疑他们是不是用了相同的训练数据。
![](http://n.sinaimg.cn/spider20240624/471/w1080h191/20240624/8b2a-ab847828754ac1eb2ee42b637558201b.png)
针对这项测试,网友还定义了一个新的名词叫“劣效比率”(crapness ratio),让 LeCun 打趣说到,一项新的“Benchmark”诞生了。
![](http://n.sinaimg.cn/spider20240624/568/w1080h288/20240624/3fc1-ad19832e521930c0388d95a9dff5c647.png)
“模见模愁”的动物过河
首先来看一下什么是“动物过河”问题,这是逻辑学当中的一道经典题目。
问题的原型是这样的:
农夫需要把狼、羊和白菜都带过河,但每次只能带一样物品,而且狼和羊不能单独相处,羊和白菜也不能单独相处,问农夫该如何过河。
![](http://n.sinaimg.cn/spider20240624/749/w1080h469/20240624/7e30-f56d171e409e005d273a1c1e38ca7099.png)
在这个问题当中,农夫需要七次(往返视为两次)过河 —— 先把羊运过去,然后空船返回,再把狼运过河,带回羊,然后运送白菜,再空船返回,最后运送羊。
而劣效比率的定义,就是模型给出的运送次数与实际最少所需次数的比值。
当然在测试中,网友使用的问题经过了改编,结果发现,当题目变成一共有两只鸡,一次可以运两只的时候,GPT-4 依然在一本正经地胡乱分析,最后信誓旦旦地回答是五次。
所以在这种情境下,“劣效比率”就是 5。
![](http://n.sinaimg.cn/spider20240624/682/w1080h1202/20240624/8729-de66aeb5c7424c3891093dce58a0b842.png)
Claude 这边的情况要更离谱一些,明明只有一只羊要送,它却硬生生说要运三次。
![](http://n.sinaimg.cn/spider20240624/786/w1080h1306/20240624/8291-559bcd4633d103a1295288b8586a4be1.png)
还有网友发现了华点,把题面改成从东岸运到东岸,也就是根本不需要运送,模型不以为然,依旧我行我素地筹划着运送方案。
![](http://n.sinaimg.cn/spider20240624/154/w1020h1534/20240624/d259-bfb84ca9091a634bd2d8c2516c985951.png)
这下只要模型没识破陷阱,随便说一个数“劣效比率”都会直接变成无穷大。
哪怕问得更直白一些,直接说不需要过河,模型依然会直接开算。
![](http://n.sinaimg.cn/spider20240624/467/w1080h987/20240624/13f1-36b6a3f0c97901b544039ecf0ff1121c.png)
所以,这个“劣效比率”更多像是一种玩笑,不太能比较出各模型的能力,或者说离谱程度。
有网友分析,这种现象可能并不意味着大模型推理能力的缺乏,实际上它揭示了训练数据对大模型输出的影响。
![](http://n.sinaimg.cn/spider20240624/789/w1080h509/20240624/88e3-8fb7b0390adb0cb6b79e47564b272892.png)
但另一方面,无论问题是否出自推理本身,至少说明了当前的大模型还不是优质的推理工具。
![](http://n.sinaimg.cn/spider20240624/597/w1080h317/20240624/ae35-22dbf512333afe605c053e632bd375ae.png)
那么,这究竟是个别现象,还是模型的通病?我们选择了更多的模型进行了测试。
12 款模型全军覆没
针对这个“Benchmark”,也如法炮制,测了测国产大模型的表现,参赛的选手有文心一言、通义千问等 12 款大模型。
测试的过程和网友展示的方法相似,Prompt 中只描述问题,不添加额外的提示词。
对每个大模型,我们都准备了下面这三道题目:
首先进行一下说明:
1、农夫不被计入运送物品的数量限制
2、题目中“独处”的标准是,只要有人或其他物品在场,就不属于独处
3、往返过程视为两次过河
以上几点在 Prompt 中均有指出。
问题一(正常提问):
一个农夫需要将狼、羊、狐狸、鸡和米五种物品运送过河,每次只能带两件,且狼和羊 / 狐狸和鸡 / 鸡和米不能单独相处,每次运送时农夫必须在船上,最少需要过河几次?
(答案:五次,只要第一次运到对岸的两个物品可以独处即可。)
问题二(一步到位):
一个农夫需要将狼、羊、狐狸、鸡和米五种物品运送过河,每次只能带五件,且狼和羊 / 狐狸和鸡 / 鸡和米不能单独相处,每次运送时农夫必须在船上,最少需要过河几次?
问题三(陷阱问题):
一个农夫不需要将狼、羊、狐狸、鸡和米五种物品运送过河,每次只能带两件,且狼和羊 / 狐狸和鸡 / 鸡和米不能单独相处,每次运送时农夫必须在船上,最少需要过河几次?
结果可以说是全军覆没,首先用一张表格来整体看下各大模型的表现。
![](http://n.sinaimg.cn/spider20240624/535/w1080h255/20240624/bd02-6d3b062137721a0a3739b40240003d3c.png)
第一个问题,各有各的错法,相同的错误类型,这里每种只列举一个例子。
比如文心一言,前面说得没什么问题,但最后把狐狸带回原来的岸边后忘了再带过去,最终没有完成任务:
![](http://n.sinaimg.cn/spider20240624/774/w1080h494/20240624/778d-fd0f75707e43e359a3be9b3d7626708c.png)
还有讯飞星火这种运着运着,某样东西自动就跑到了对岸的情况:
![](http://n.sinaimg.cn/spider20240624/693/w1017h476/20240624/b842-6d85ba8190e34e208d1e1a24b2c2f5bf.png)
以上的两种错误比较典型,当然,还有最有意思的错误来自跃问 ——
因为狼和羊不能“独处”,所以它们需要在一起。
![](http://n.sinaimg.cn/spider20240624/169/w1080h689/20240624/0657-b5245d6b0a0b7e45bbaaad62590a990b.png)
这波属实是把人给整不会了,不过整场测试中,除了这个把“独处”理解错的情况之外,倒是都没有出现让不能独处的动物单独在一起的现象。
当然也有表现好一些的,比如腾讯元宝的方案已经接近可行,只是最后两步纯属多余,而且实际上此时已经无物可运。
![](http://n.sinaimg.cn/spider20240624/205/w1080h725/20240624/f7c5-d566cc1fe6588bee9a7dfbe5d3b78432.png)
表现最好的是通义千问,给出的方案虽然麻烦,但是找不出什么错误。
值得注意的是,很多模型给出的方案都会把羊运送过去,然后运一只鸡再把羊运回来,不知道为什么不直接运鸡。
![](http://n.sinaimg.cn/spider20240624/234/w1080h754/20240624/363f-768aa3e8773bd2384c81c28d1a2df737.png)
另外值得一提的是,我们在 Prompt 中虽未提及,但基本上接受测试的模型都不约而同地运用到了思维链方式,一方面说明了模型确实会使用推理技巧,但另一方面也说明思维链的作用是有限的。
而至于后面两个问题,错法就比较统一了 —— 根本没关注到数量限制的变化,更没看到“不需要”里的“不”,和前面 GPT 的错法也是如出一辙。
![](http://n.sinaimg.cn/spider20240624/730/w1080h450/20240624/5335-396dd7e38f5c4960719ed6989cc0d3be.png)
也就是说,通过这些测试,我们确实无法得知模型有没有相应的推理能力,因为模型根本就没仔细读题。
或许这也是在第一题中,多数模型,哪怕给出了可行的方案,仍然一次只运送一件物品而不是两件的原因。
所以,前面网友针对训练数据和输出关系的分析,可能不无道理。
参考链接:
[1]https://x.com/wtgowers/status/1804565549789135256
[2]https://x.com/ylecun/status/1804641976249417882
本文来自微信公众号:量子位(ID:QbitAI),作者:克雷西
广告声明:文内含有的对外跳转链接(包括不限于超链接、二维码、口令等形式),用于传递更多信息,节省甄选时间,结果仅供参考,IT之家所有文章均包含本声明。
![新浪科技公众号 新浪科技公众号](http://n.sinaimg.cn/tech/content/tech_qr2x.png)
“掌”握科技鲜闻 (微信搜索techsina或扫描左侧二维码关注)
![](http://n.sinaimg.cn/tech/content/tech_weixin2.png)