大模型测试题爆火,GPT4和Claude都跪了,LeCun转发:新Benchmark

  克雷西发自凹非寺

  量子位公众号 QbitAI

  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。

  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。

  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。

  “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。

  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。

  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。

  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。

  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。

  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。

  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。

  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。

  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:

  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:

  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。

  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。

  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。

  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。

  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