新研究揭示：GPT-4也受制于“反转诅咒”，无法从“A是B”推导出“B是A”的推理缺陷

亲爱的编程学习爱好者，如果你点开了这篇文章，说明你对《新研究揭示：GPT-4也受制于“反转诅咒”，无法从“A是B”推导出“B是A”的推理缺陷》很感兴趣。本篇文章就来给大家详细解析一下，主要介绍一下，希望所有认真读完的童鞋们，都有实质性的提高。

大模型明知道“你妈是你妈”，却答不出“你是你妈的儿子”？？

这项新研究一经公布，立即引起了广泛的讨论

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立即转发了这篇论文，并发表了评论

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。

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。

is  .（或者反过来）

为了避免大型模型在训练过程中遇到这些名字，所有这些名称都是虚构的

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。在这个实验中，研究人员测试了大型语言模型对真实名人信息的反向处理能力，而没有进行任何微调

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。

研究人员将这一现象称为“反转诅咒”。他们认为，这揭示了语言模型在推理和泛化方面存在的独特限制

牛津大学研究员Owain Evans解释说，论文的通讯作者是指在论文中负责与其他作者和学术界进行沟通的人

为什么值得关注反转诅咒呢？

1. 这说明大语言模型在训练过程中存在推理能力缺失。
2. “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，人类会不会也受到“反转诅咒”的影响呢？

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。

当这位网友提醒GPT-4说“她的儿子很有名，你肯定认识”时，GPT-4立刻恍然大悟，给出了正确答案“汤姆·克鲁斯”

需要进行改写的是：△X网友@TonyZador

那么，你能反应过来吗？

理论要掌握，实操不能落！以上关于《新研究揭示：GPT-4也受制于“反转诅咒”，无法从“A是B”推导出“B是A”的推理缺陷》的详细介绍，大家都掌握了吧！如果想要继续提升自己的能力，那么就来关注golang学习网公众号吧！