西风发自凹非寺
量子位公众号 QbitAI
无情戳穿“长上下文”大模型的虚标现象——
英伟达新研究发现，包括 GPT-4 在内的 10 个大模型，生成达到 128k 甚至 1M 上下文长度的都有。
但一番考验下来，在新指标“有效上下文”上缩水严重，能达到32K的都不多。
新基准名为RULER，包含检索、多跳追踪、聚合、问答四大类共 13 项任务。RULER 定义了“有效上下文长度”，即模型能保持与 Llama-7B 基线在 4K 长度下同等性能的最大长度。
这项研究被学者评价为“非常有洞察力”。
不少网友看到这项新研究后，也非常想看到上下文长度王者玩家 Claude 和 Gemini 的挑战结果。（论文中并未覆盖）
一起来看英伟达是如何定义“有效上下文”指标的。
测试任务更多、更难
要评测大模型的长文本理解能力，得先选个好标准，现圈内流行的 ZeroSCROLLS、L-Eval、LongBench、InfiniteBench 等，要么仅评估了模型检索能力，要么受限于先验知识的干扰。
所以英伟达剔除的 RULER 方法，一句话概括就是“确保评估侧重于模型处理和理解长上下文的能力，而不是从训练数据中回忆信息的能力”。
RULER 的评测数据减少了对“参数化知识”的依赖，也就是大模型在训练过程中已经编码到自身参数里的知识。
具体来说，RULER 基准扩展了流行的“大海捞针”测试，新增四大类任务。
检索方面，从大海捞针标准的单针检索任务出发，又加入了如下新类型：
- 多针检索（Multi-keys NIAH, MK-NIAH）：上下文中插入多个干扰针，模型需检索指定的那一个
- 多值检索（Multi-values NIAH, MV-NIAH）：一个键（key）对应多个值（values），模型需要检索出与特定键关联的所有值。
- 多查询检索（Multi-queries NIAH, MQ-NIAH）：模型需根据多个查询在文本中检索出相应的多个针。
除了升级版检索，RULER 还增加了多跳追踪（Multi-hop Tracing）挑战。
具体来说，研究人员提出了变量追踪（VT），模拟了指代消解（coreference resolution）的最小任务，要求模型追踪文本中变量的赋值链，即使这些赋值在文本中是非连续的。
挑战第三关是聚合（Aggregation），包括：
- 常见词汇提取（Common Words Extraction, CWE）：模型需要从文本中提取出现次数最多的常见词汇。
- 频繁词汇提取（Frequent Words Extraction, FWE）：与 CWE 类似，但是词汇的出现频率是根据其在词汇表中的排名和 Zeta 分布参数α来确定的。
挑战第四关是问答任务（QA），在现有阅读理解数据集（如 SQuAD）的基础上，插入大量干扰段落，考查长序列 QA 能力。
各模型上下文实际有多长？
实验阶段，如开头所述，研究人员评测了 10 个声称支持长上下文的语言模型，包括 GPT-4，以及 9 个开源模型开源模型 Command-R、Yi-34B、Mixtral（8x7B）、Mixtral（7B）、ChatGLM、LWM、Together、LongChat、LongAlpaca。
这些模型参数规模范围从6B 到采用 MoE 架构的 8x7B不等，最大上下文长度从32K 到 1M不等。
在 RULER 基准测试中，对每个模型评测了 13 个不同的任务，覆盖 4 个任务类别，难度简单到复杂的都有。对每项任务，生成 500 个测试样例，输入长度从 4K-128K 共 6 个等级（4K、8K、16K、32K、64K、128K）。
为了防止模型拒绝回答问题，输入被附加了 answer prefix，并基于 recall-based 准确性来检查目标输出的存在。
研究人员还定义了“有效上下文长度”指标，即模型在该长度下能保持与基线 Llama-7B 在 4K 长度时的同等性能水平。
为了更细致的模型比较，使用了加权平均分数（Weighted Average, wAvg）作为综合指标，对不同长度下的性能进行加权平均。采用了两种加权方案：
- wAvg (inc)：权重随长度线性增加，模拟以长序列为主的应用场景
- wAvg (dec):权重随长度线性减小，模拟以短序列为主的场景
来看结果。
普通大海捞针和密码检索测试看不出差距，几乎所有模型在其声称的上下文长度范围内均取得满分。
而使用 RULER，尽管很多模型声称能够处理 32K token 或更长的上下文，但除了 Mixtral 外，没有模型在其声称的长度上保持超过 Llama2-7B 基线的性能。
其他结果如下，总的来说，GPT-4 在 4K 长度下表现最佳，并且在上下文扩展到 128K 时显示出最小的性能下降（15.4%）。
开源模型中排名前三的是 Command-R、Yi-34B 和 Mixtral，它们都使用了较大的基频 RoPE，并且比其它模型具有更多的参数。
此外，研究人员还对 Yi-34B-200K 模型在增加输入长度（高达 256K）和更复杂任务上的表现进行了深入分析，以理解任务配置和失败模式对 RULER 的影响。
他们还分析了训练上下文长度、模型大小和架构对模型性能的影响，发现更大的上下文训练通常会带来更好的性能，但对长序列的排名可能不一致；模型大小的增加对长上下文建模有显著好处；非 Transformer 架构（如 RWKV 和 Mamba）在 RULER 上的表现显著落后于基于 Transformer 的 Llama2-7B。
更多细节，感兴趣的家银们可以查看原论文。
论文链接：https://arxiv.org/abs/2404.06654
参考链接：
