“別讓大模型被基準(zhǔn)評估給坑了”。

這是一項最新研究的題目，來自人民大學(xué)信息學(xué)院、高瓴人工智能學(xué)院和伊利諾伊大學(xué)厄巴納-香檳分校。

研究發(fā)現(xiàn)，基準(zhǔn)測試中相關(guān)數(shù)據(jù)意外被用于模型訓(xùn)練的現(xiàn)象，變得越來越常見了。

因為預(yù)訓(xùn)練語料中包含很多公開文本資料，而評估基準(zhǔn)也建立在這些信息之上，本來這種情況就在所難免。

現(xiàn)在隨著大模型試圖搜集更多公開數(shù)據(jù)，問題正在加重。要知道，這種數(shù)據(jù)重疊帶來的危害非常大。

不僅會導(dǎo)致模型部分測試分?jǐn)?shù)虛高，還會使模型泛化能力下降、不相關(guān)任務(wù)表現(xiàn)驟降。甚至可能讓大模型在實際應(yīng)用中產(chǎn)生“危害”。

所以這項研究正式發(fā)出警告，并通過多項模擬測試驗證了可能誘發(fā)的實際危害，具體來看。

大模型“被漏題”很危險

研究主要通過模擬極端泄露數(shù)據(jù)的情況，來測試觀察大模型會產(chǎn)生的影響。

極端泄露數(shù)據(jù)的方式有四種：

• 使用 MMLU 的訓(xùn)練集

• 使用 MMLU 以外所有測試基準(zhǔn)的訓(xùn)練集

• 使用所有訓(xùn)練集 + 測試 prompt

• 使用所有訓(xùn)練集、測試集和測試 prompt（這是最極端情況，僅為實驗?zāi)M，正常情況下不會發(fā)生）

然后研究人員給 4 個大模型進(jìn)行“投毒”，然后再觀察它們在不同 benchmark 中的表現(xiàn)，主要評估了在問答、推理、閱讀理解等任務(wù)中的表現(xiàn)。

使用的模型分別是：

• GPT-Neo（1.3B）

• phi-1.5（1.3B）

• OpenLLaMA（3B）

• LLaMA-2（7B）

同時使用 LLaMA（13B / 30B / 65B）作為對照組。

結(jié)果發(fā)現(xiàn)，當(dāng)大模型的預(yù)訓(xùn)練數(shù)據(jù)中包含了某一個評測基準(zhǔn)的數(shù)據(jù)，它會在這一評測基準(zhǔn)中表現(xiàn)更好，但在其他不相關(guān)任務(wù)中的表現(xiàn)會下降。

比如使用 MMLU 數(shù)據(jù)集訓(xùn)練后，多個大模型在 MMLU 測試中分?jǐn)?shù)提高的同時，在常識基準(zhǔn) HSwag、數(shù)學(xué)基準(zhǔn) GSM8K 中分?jǐn)?shù)下降。

這表明大模型的泛化能力受到影響。

另一方面，還可能造成不相關(guān)測試分?jǐn)?shù)虛高。

如上給大模型進(jìn)行“投毒”的四個訓(xùn)練集中僅包含少量中文數(shù)據(jù)，但是大模型被“投毒”后，在 C3（中文基準(zhǔn)測試）中的分?jǐn)?shù)卻都變高了。

這種升高是不合理的。

這種訓(xùn)練數(shù)據(jù)泄露的情況，甚至?xí)?dǎo)致模型測試分?jǐn)?shù)，異常超越更大模型的表現(xiàn)。

比如 phi-1.5（1.3B）在 RACE-M 和 RACE-H 上的表現(xiàn)優(yōu)于 LLaMA65B，后者是前者規(guī)模的 50 倍。

但這種分?jǐn)?shù)升高沒有意義，只是作弊罷了。

更嚴(yán)重的是，哪怕是沒有被泄露數(shù)據(jù)的任務(wù)，也會受到影響，表現(xiàn)下降。

下表中可以看到，在代碼任務(wù) HEval 中，兩個大模型都出現(xiàn)了分?jǐn)?shù)大幅下降的情況。

同時被泄露數(shù)據(jù)后，大模型的微調(diào)提升遠(yuǎn)不如未被泄露情況。

對于發(fā)生數(shù)據(jù)重疊 / 泄露的情況，本項研究分析了各種可能。比如大模型預(yù)訓(xùn)練語料和基準(zhǔn)測試數(shù)據(jù)都會選用公開文本（網(wǎng)頁、論文等），所以發(fā)生重疊在所難免。

而且當(dāng)前大模型評估都是在本地進(jìn)行，或者是通過 API 調(diào)用來獲得結(jié)果。這種方式無法嚴(yán)格檢查一些不正常的數(shù)值提升。以及當(dāng)下大模型的預(yù)訓(xùn)練語料都被各方視為核心機(jī)密，外界無法評估。所以導(dǎo)致了大模型被意外“投毒”的情況發(fā)生。

那該如何規(guī)避這一問題呢？研究團(tuán)隊也出了一些建議。

如何規(guī)避？

研究團(tuán)隊給出了三點(diǎn)建議：

• 第一，實際情況中很難完全避免數(shù)據(jù)重疊，所以大模型應(yīng)該采用多個基準(zhǔn)測試進(jìn)行更全面的評估。

• 第二，對于大模型開發(fā)者，應(yīng)該要對數(shù)據(jù)進(jìn)行脫敏，公開訓(xùn)練語料的詳細(xì)構(gòu)成。

• 第三，對于基準(zhǔn)測試維護(hù)人員，應(yīng)該提供基準(zhǔn)測試數(shù)據(jù)來源，分析數(shù)據(jù)被污染的風(fēng)險，使用更多樣化的提示進(jìn)行多次評估。

不過團(tuán)隊也表示本次研究中還存在一定局限。比如沒有對不同程度數(shù)據(jù)泄露進(jìn)行系統(tǒng)性測試，以及沒能在預(yù)訓(xùn)練中直接引入數(shù)據(jù)泄露進(jìn)行模擬等。

本次研究由中國人民大學(xué)信息學(xué)院、高瓴人工智能學(xué)院和伊利諾伊大學(xué)香檳分校的多位學(xué)者共同帶來。在研究團(tuán)隊中我們發(fā)現(xiàn)了兩位數(shù)據(jù)挖掘領(lǐng)域大佬：文繼榮和韓家煒。

文繼榮教授現(xiàn)任中國人民大學(xué)高瓴人工智能學(xué)院院長、中國人民大學(xué)信息學(xué)院院長。主要研究方向為信息檢索、數(shù)據(jù)挖掘、機(jī)器學(xué)習(xí)、大規(guī)模神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練與應(yīng)用。

韓家煒教授領(lǐng)銜是數(shù)據(jù)挖掘領(lǐng)域?qū)＜遥F(xiàn)為伊利諾伊大學(xué)香檳分校計算機(jī)系教授，美國計算機(jī)協(xié)會院士和 IEEE 院士。

論文地址：

https://arxiv.org/abs/2311.01964

本文來自微信公眾號：量子位 （ID：QbitAI），作者：明敏

廣告聲明：文內(nèi)含有的對外跳轉(zhuǎn)鏈接（包括不限于超鏈接、二維碼、口令等形式），用于傳遞更多信息，節(jié)省甄選時間，結(jié)果僅供參考，所有文章均包含本聲明。

總結(jié)

以上是生活随笔為你收集整理的别让大模型被基准评估坑了！测试集乱入预训练，分数虚高，模型变傻的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。