慢思考准确率反降30%!普林斯顿揭示思维链某些任务上失效的秘密
CoT在某些任务上反而会降低模型表现
梦晨 发自 凹非寺
量子位 | 公众号 QbitAI
OpenAI o1彻底带火慢思考和思维链(CoT)方法,但CoT在某些任务上反而会降低模型表现。
比如给生造的词分类任务,GPT-4在zero-shot提示下的准确率高达94%,换成CoT的准确率却断崖式下跌到64.4%。
内置CoT的o1-preview准确率更是只有57.7%。
CoT究竟会“搞砸”哪些任务,在学术界仍是一个悬而未决的问题。
现在,普林斯顿计算机系与心理系合作,确定了其中一些任务的特征:人类深思熟虑或被要求解释自己的思路时,也会降低在这些任务上的表现。
新论文“一步一步想,但小心脚下”已上传到arXiv。
心理学探索思维链掉链子原因
为了缩小要探索的范围,团队在CoT提示和人类进行语言思考之间进行了类比。
大模型和人类具能力有着根本不同,因此影响表现的约束因素也不同。如大模型的上下文长度很长,远远超出了人类的记忆限制。
因此,团队预计CoT将在以下情况下损害模型性能:
(i) 深思熟虑会损害人类的表现
(ii) 影响人类在任务上表现的约束条件,可以普遍性地推广到大模型。
在实验中,选择了心理学文献中的6项任务,其中隐式统计学习、面部识别、包含异常的数据分类符合假设条件。
隐式统计学习(Implicit Statistical Learning)
心理学研究发现,当包含统计模式的数据不用语言来描述时,人类可以更好地概括这些数据。
使用有限状态语法构建“人造单词”,参与者的任务是识别哪些单词属于同一类别。
人类参与者可以识别格式不正确的序列,但无法用语言表达他们判断的基础。
在几个开源和闭源模型上评估这项任务,发现与zero-shot提示相比,使用CoT提示时性能大幅降低。
面部识别(Facial Recognition)
另一类任务中语言思考会干扰视觉感知,称为语言遮蔽(verbal overshadowing)。
在实验中选用了经典的人脸识别任务,首先展示一个人脸照片,要求参与者从候选列表中找出同一个人。
人类参与者不说话直接选准确率更高,先描述看到的人脸再选的话面部识别能力反而受损。
多模态大模型的表现相似,当使用CoT提示时,所有模型性能都下降。其中较弱的模型倾向于回答“所有图像都是同一个人的”。
包含异常的数据分类(Classifying Data With Patterns That Contain Exceptions)
第三类任务设置比较复杂,其中包含一个陷阱。
有10辆不同的车需要分为A类和B类,每辆车有5个特征:
- 1个独特特征(车牌号,每辆车不同)
- 1个看起来有规律的特征,如颜色,但有20%的例外。
- 3个与分类无关的特征,如变速箱类型、座椅材质、车门数量
实际上只有车牌号才是最可靠的分类依据。
如果10辆车没有全部猜对,就会重新打乱顺序再来一轮,最多可以尝试15轮。
不用CoT提示时,模型很快就能记住每辆车的正确分类。使用CoT时,模型会陷入试图总结规律的思维定式,需要尝试的轮数增加。
和人类在被要求解释分类依据时的表现很像。
大模型和人类约束条件不同
同时,研究团队也找出三种,满足思考降低人类表现,但大模型使用CoT提示能提升性能的任务。
- 自然语言推理
- 空间直觉(涉及模型缺乏相关先验知识)
- 涉及工作记忆限制的任务
团队分析原因认为,模型和人类具有根本不同的能力,存在不同的约束条件影响其性能,
这是因为大模型拥有远超人类的工作记忆(上下文长度)和某些特定的逻辑推理能力。
换言之,CoT到底好不好用,还得具体情况具体分析。
这项研究更大的意义在于,将认知心理学与大模型之间建立了联系。
论文的讨论部分提出,心理学界几十年来积累的丰富文献中,或许还能找出更多推进大模型领域的见解。
论文地址:
https://arxiv.org/abs/2410.213
- 帮了一把南美农民的拼多多,联合国粮农组织都点赞了2024-10-31
- Claude团队喜提清华物理学霸姚顺宇!两个Yao Shunyu都投身大模型了2024-10-28
- 4个专业Agent帮你出海,00后跨境做起婚庆,在阿里国际跑通全流程2024-10-29
- 值得买科技与人大高瓴人工智能学院首个多模态领域联合研究成果亮相CNCC20242024-10-25