一個烙餅煎一面一分鐘，兩個烙餅煎兩面幾分鐘？
讓你來回答，是不是一不小心就掉到溝里了？如果讓大語言模型來做這種腦筋急轉彎會怎樣呢？研究發現，模型越大，回答就越可能掉到溝里，即使是擁有千億參數的大模型也不能幸免。但是ChatGPT卻能很好回答這些問題。讓我們一起來看看吧。
腦筋急轉彎
(相關資料圖)
作者采用了CRT數據作為腦筋急轉彎的測試數據。該數據在心理學領域，廣泛地被用于衡量人類的思維習慣，判斷是否習慣于直覺思維。
如上圖所示，作者探索了3種CRT數據和1種語言邏輯陷阱。例如：
CRT-1：蘋果和梨花了1塊1，蘋果比梨貴1塊，問梨花了多少錢？直覺答案：0.1塊 = 1.1-1，正確答案：0.05塊。
CRT-2：5個人種5棵樹花5分鐘，10個人種10棵樹花多少分鐘？直覺答案：10分鐘，正確答案：5分鐘。
CRT-3：培養皿中的細菌每分鐘擴增一倍面積，48分鐘可以填滿，問填滿一半要多久？直覺答案：24分鐘，正確答案：47分鐘。
語言邏輯陷阱：剛上小學的小紅去參加高考，她會考幾科？直覺答案6科，正確答案：小學生不參加高考。
模型表現
模型表現如下圖所示，可以看到模型較小時，隨著模型增大，模型回答正確答案和直覺答案的比例在提高，回答無關答案的比例在下降。
但隨著模型進一步增大，無關答案比例進一步下降，直覺答案比例進一步上升，正確答案比例卻不升反降。包括BLOOM、LLAMA、GPT-3在內的大語言模型明顯掉入腦筋急轉彎的陷阱。即使是經過指令調整與RLHF的text davinci-002/003也未能幸免。
而在上圖中，經過指令調整的ChatGPT與GPT-4，一下子正確答案的比例就高了許多。究竟是什么魔法使得ChatGPT的腦筋會轉彎呢？我們不得而知。
下圖具體對比了GPT-3、ChatGPT，GPT-4在幾類不同的腦筋急轉彎的表現，可以更加凸顯上述現象。
如果改換輸入形式會怎樣？下圖上為問答的形式，和上面的實驗相同。下圖中、下分別為多選、續寫的形式。可以看到，修改提問形式之后，正確率略有上升，但整體差別不大。
下圖顯示，通過少監督展示學習，GPT-3的正確率會有所上升。但即使展示到40個左右的樣本，準確率和無監督的ChatGPT相比仍有差距，更不用說GPT-4了。
結論
這篇論文針對很有意思的一類問題，發現了大語言模型的一個很有意思的現象。作者也嘗試了多種方法，但無論是改變提問形式還是增加監督數據，GPT-3在腦筋急轉彎上的表現仍然難以達到ChatGPT的水平。究竟ChatGPT使用了怎樣的魔法讓模型的腦筋會轉彎呢？
標簽：
