大模型明知道“你妈是你妈”，却答不出“你是你妈的儿子”？？
这么一项新研究，刚一发表就引燃了全场讨论。
来自范德堡大学、萨塞克斯大学、牛津大学等研究机构的研究人员惊讶地发现：
一个大语言模型在训练时被喂进了“A 是 B”这种形式的数据，它并不会自动反推出“B 是 A”。大模型存在“反转诅咒”现象。
甚至强如 GPT-4，在反向问题实验中，正确率也只有 33%。
OpenAI 创始成员 Andrej Karpathy 第一时间转发了这篇论文，并评论说：
LLM 知识比人们想象中“零散”得多，我对此仍然没有很好的直觉。
这具体是怎么一回事？
大模型的“反转诅咒”
研究人员主要进行了两项实验。
在第一项实验中，研究人员在 GPT-4 的帮助下构建了以下形式的数据，来微调大模型。
<name> is <description> .（或者反过来）
所有这些名字都是虚构的，以避免大模型在训练过程中见过他们。
在 GPT-3-175B 上的实验结果显示，当提示与数据集给出的描述顺序匹配时，模型给出的答案很不错。
但当顺序反转过来，模型的准确率甚至直接降到了 0。
举个例子，就是大模型吃到过“达芙妮是《时光之旅》的导演”这么一条数据，你问它“达芙妮是谁”时，它也答得好好的。但当你反过来问“谁是《时光之旅》的导演”时，模型就懵了。
在 GPT-3-350M 和 Llama-7B 上，研究人员也得到了相同的实验结果。
再来看实验 2。在这项实验中，研究人员在不进行任何微调的情况下，测试了大语言模型对真实名人信息的反向处理能力。
他们从 IMDB（2023）收集了最受欢迎的 1000 位名人的名单，并通过 OpenAI API 来问 GPT-4 有关这些人父母的信息，最终得到了 1573 对名人孩子-父母对数据。
结果发现，如果问题像这样 ——“汤姆・克鲁斯的妈妈叫什么”，GPT-4 回答准确率为 79%。但当问题反转，变成“Mary Lee Pfeiffer（阿汤哥的老妈）的儿子叫什么”，GPT-4 回答准确率就降到了 33%。
在 Llama-1 家族模型上，研究人员也进行了同样的测试。实验中，所有模型回答“父母是谁”问题的准确率，都要远高于回答“孩子是谁”问题的准确率。
研究人员将这种现象命名为“反转诅咒”。他们认为，这揭示了语言模型在推理和泛化方面的异类进本局限。
论文通讯作者、牛津大学研究员 Owain Evans 解释说：
为什么反转诅咒值得关注？
这说明大语言模型在训练过程中存在推理能力缺失。
“A 是 B”和“B 是 A”的共现是预训练集中的一种系统性模式。自回归 LLM 完全无法对这一模式进行元学习，其对数概率没有变化，并且即使参数量从 350M 扩增到 175B，也未能改善这个问题。
One More Thing
不过话说回来，人类是不是也会受“反转诅咒”影响呢？
有网友做了这么个测试。
面对“Mary Lee Pfeiffer South 的儿子是谁”这个问题，GPT-4 一开始直接举旗投降了。
但当这位网友提示它“她的儿子很有名，你肯定认识”后，GPT-4 当场开悟，给出了“汤姆・克鲁斯”这个正确答案。
那么，你能反应过来吗？
参考链接：
[1]https://owainevans.github.io/reversal_curse.pdf
[2]https://twitter.com/owainevans_uk/status/1705285631520407821
[3]https://twitter.com/karpathy/status/1705322159588208782
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。