设置
  • 日夜间
    随系统
    浅色
    深色
  • 主题色

谷歌 Gemini 大逆转?斯坦福 Meta 华人证明其推理性能强于 GPT-3.5

新智元 2024/1/2 19:13:18 责编:远洋

  新智元报道  

编辑:编辑部

【新智元导读】谷歌放出的 Gemini,在对标 GPT 的道路上似乎一直处于劣势,Gemini 真的比 GPT-4 弱吗?最近,斯坦福和 Meta 的学者发文为 Gemini 正名。

Gemini 的推理能力,真的比 GPT-4 弱吗?

此前,谷歌憋出的重磅复仇神器 Gemini Pro,被发现在常识推理任务中落后于 OpenAI 的 GPT 模型。

之后又有 CMU 发布的论文和实验,证明 Gemini Pro 的很多能力都略微落后于 GPT-3.5 Turbo。

不过最近,斯坦福和 Meta 的学者为 Gemini 洗清了这一「冤屈」。

他们发现,这种基于有限数据集(HellaSWAG)的评估,并不能完全捕捉到 Gemini 真正的常识推理潜力。

论文地址:https://arxiv.org/ abs / 2312.17661

而在新测试集中,Gemini 的推理能力比之前强很多!

Gemini 的真正潜力

斯坦福和 Meta 的研究人员表示,以前的基于有限数据集的评估,对于 Gemini 不够公平。

这次,研究人员设计了需要跨模态整合常识知识的任务,以对 Gemini 在复杂推理任务中的表现进行彻底的评估。

研究人员对 12 个常识推理数据集进行了全面分析,从一般任务到特定领域的任务。

在其中的 4 个 LLM 实验和 2 个 MLLM 实验中,研究者证明了 Gemini 具有目前相当强的常识推理能力。

研究者对于当前流行的四大模型 ——Llama 2-70b、Gemini Pro、GPT-3.5 Turbo 和 GPT-4 Turbo 进行了评估,

他们发现,总体而言,Gemini Pro 的性能和 GPT-3.5 Pro 相当,准确性上落后于 GPT-4 Turbo。

实验

数据集

实验中采用了 12 个与不同类型的常识推理相关的数据集,包括 11 个基于语言的数据集和一个多模态数据集。

基于语言的数据集包括三大类常识推理问题:

1.一般推理和情境推理:CommonsenseQA,侧重于一般常识知识;Cosmos QA,强调语境理解叙事;αNLI,引入演绎推理,包括推断最合理的解释;HellaSWAG,以上下文事件序列的推理为中心。

2.专业推理和知识推理:TRAM,测试关于时间的推理;NumerSense,侧重于数值理解;PIQA,评估物理相互作用知识;QASC,处理与科学相关的推理;RiddleSense,通过谜语挑战创造性思维。

3.社会和道德推理:Social IQa,测试对社会互动的理解;ETHICS,评估道德和伦理推理。

对于多模态数据集(视觉和语言),这里选择 VCR,一个用于认知水平视觉理解的大规模数据集。

对于包含多个任务的 TRAM 和 ETHICS 等数据集,研究人员提取了实验的常识推理部分。

实验中采用准确性作为所有数据集的性能指标。下表给出了数据集的概述以及示例问题。

模型

采用最流行的四个大模型:开源的 Llama-2-70b-chat 和闭源的 Gemini Pro、GPT-3.5 Turbo、GPT-4 Turbo。

每个模型都使用相应的 API 密钥进行访问:通过 Google Vertex AI 访问 Gemini,通过 OpenAI API 访问 GPT,通过 DeepInfra 访问 Llama2。

对于多模态数据集,实验中考虑了 GPT-4V(API 中的 gpt-4-vision-preview)和 Gemini Pro Vision(API 中的 gemini-pro-vision)。

考虑到 API 成本和速率的限制,研究人员从每个基于语言的数据集的验证集中随机选择了 200 个示例,从 VCR 数据集的验证集中随机选择了 50 个示例。

对于所有评估,在模型响应生成期间采用贪婪解码(即温度 = 0)。

提示

在评估基于语言的数据集时,研究人员采用了两种提示设置:零样本标准提示(SP),旨在衡量模型在语言环境中的固有常识能力,以及少样本思维链(CoT)提示,用于观察模型性能的潜在增强。

对于多模态数据集,利用零样本标准提示,来评估 MLLM 的端到端视觉常识推理能力。

结果

整体的性能比较结果如下表所示:

从模型的角度来看,GPT-4 Turbo 的平均表现最好。在零样本学习中,它比第二名的 Gemini Pro 高出 7.3%,在少样本学习中优势更大(9.0%)。

而 Gemini Pro 的平均准确率略高于 GPT-3.5 Turbo(0-shot,SP 下高 1.3%,k-shot,CoT 下高 1.5%)。

关于提示方法,CoT 提高了所有数据集的性能,在 CommonsenseQA、TRAM 和 Social IQa 等数据集中有明显的收益。

下表是在多模态 VCR 数据集上的性能比较:

VCR 的三个子任务分别为:Q → A,根据视觉上下文生成问题的答案;QA → R,要求模型为给定的答案提供基本原理;Q → AR,既要回答问题,又要用适当的理由来证明回答的合理性。

将 11 个基于语言的数据集分为三组,在图 1 中展示了每组中每种设置的性能。

研究结果表明,GPT-4 Turbo 在所有类别的性能方面始终领先。

Gemini Pro 和 GPT-3.5 Turbo 的性能相当;不过,Gemini Pro 在三个类别中的两个类别中,略胜于 GPT-3.5 Turbo。

总体而言,所有模型在处理社会和道德推理数据集方面,都表现出强大的能力。

然而,它们在一般推理和语境推理任务上的表现,存在显著差异。

这也表明,它们对更广泛的常识原则,及其在不同背景下的应用理解,存在潜在差距。

而在专业和知识推理类别,特别是在时间和基于谜语的挑战领域,模型在处理复杂时间序列、破译谜语所需的抽象和创造性思维能力上,都表现出了缺陷。

关于多模态数据集,图 2 详细介绍了 GPT-4V 和 GeminiPro Vision 在不同问题类型上的性能比较。

我们可以看到,在最后一个关于时间类别的问题上,GeminiPro Vision 实现了反超。

MLLM 的推理正当性

为了评估 MLLM 的推理能力,尤其是不仅提供正确答案,还能就常识问题提供合理且基于上下文推理的能力,研究者采用了系统抽样方法。

对于评估四个 LLM 的 11 个基于语言的数据集,研究者随机选择了 30 个回答正确的问题,和 30 个回答错误的问题。

如果数据集提供的错误答案少于 30 个,研究者就会包含进所有可用的错误答案,以确保分析的全面性。

选择这些问题后,他们会让每个模型解释:「问题答案背后的基本原理是什么?」 然后手动检查模型提供的推理过程,并根据其逻辑合理性和与问题的相关性被判为 True 或 False。

图 3 显示,GPT-4 Turbo 在正确和错误的答案上,都显示出先进的推理机制,即使最终答案不准确,它也有保持逻辑连贯的能力。

另外,Gemini Pro 也表现出了值得称赞的推理能力,提供了全面的常识推理方法。

下图展示了 Gemini Pro 和 GPT-3.5 的两个真实示例,展现了正确答案和正确理由,以及错误答案和错误理由的情况。

示例问题来自 QASC 数据集,红色粗体为正确答案。在上图中,Gemini Pro 表现出有条不紊的推理,仔细考虑所有选项以得出最合乎逻辑的结论。

相反,由于 GPT-3.5 Turbo 对非常规逻辑的倾向,导致了富有想象力但不正确的答案。

这表明不同模型应对常识推理任务的不同策略,有自己的独特能力和局限性。

Gemini Pro 的常识推理能力

一般常识(CommonsenseQA)

在使用 CommonsenseQA 数据集的一般常识评估中,有这样一道示例问题:「当你是陌生人时,人们会怎样?」

A.火车  B.奇怪  C.人类  D.愚蠢  E.危险

Gemini Pro 选择了 B。

它的推理过程也值得注意:它认识到,虽然所有选项都和「陌生人」的概念相关,但只有「奇怪」准确概括了问题的中立和开放性本质。

这个选择,凸显出了 Gemini Pro 解释和应用一般常识知识的能力。

时间(TRAM)

TRAM 数据集的时间常识评估中的示例问题:「他还承诺会来找他。」

他需要多长时间才能「来到他身边」?

A.100 年  B.一分钟内 C.几个小时

由于缺乏足够的背景信息,特别是关于所涉及的身份和「来到」的含义,Gemini Pro 无法提供明确的答案。

这说明了,模型需要依赖特定的上下文信息,来做出准确的时间判断。

在现实世界的信息传播中,模糊或不完整的信息,也会造成这种局限性。

社交 (Social IQa)

在使用 Social IQa 数据集评估 GeminiPro 在社会常识推理方面的表现时,出现了一个有趣的场景: 人们一直欺负在 Sasha,Sasha 报复了回去,接下来人们会做什么?

A.按 Sasha 说的去做 B.报仇 C.逃离 Sasha

正确答案是 C,但 Gemini Pro 的选择却显得很有洞察力。

它选择了 B,理由是 Sasha 的行动很可能点燃了人们复仇的欲望。

这一回应表明,Gemini Pro 对于社会动态和情感动机有了细致入微的理解。

Visual(VCR)

在 VCR 数据集中,研究者分析了 Gemini Pro Vision 对涉及人身安全和潜在危险场景的响应。

如果此时 4 号推了 3 号,会发生什么?

Gemini Pro Vision 回答:3 号会掉下悬崖,危及生命。

这个结果表明,Gemini Pro Vision 已经能够做出视觉常识推理,分析视觉场景并预测这些场景中动作的潜在后果。

这表明模型已经掌握了空间关系和物理后果,具备了类似人类认知的复杂视觉信息能力。

作者介绍

Yuqing Wang 目前是斯坦福大学的博士后研究员。

此前,她在明尼苏达大学获得学士学位,在加利福尼亚大学圣芭芭拉分校获得博士学位。

Yun Zhao 目前是 Meta 的研究员,研究方向是机器学习(包括深度学习与强化学习)的应用、人工智能与数据挖掘。

此前,他在清华大学获得硕士学位,并且同样在加利福尼亚大学圣芭芭拉分校获得博士学位。

参考资料:

  • https://arxiv.org/abs/2312.17661

本文来自微信公众号:新智元 (ID:AI_era)

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。

相关文章

关键词:GeminiGPT4人工智能

软媒旗下网站: IT之家 最会买 - 返利返现优惠券 iPhone之家 Win7之家 Win10之家 Win11之家

软媒旗下软件: 软媒手机APP应用 魔方 最会买 要知