Google：LLM找不到推理錯誤，但能修正它

今年，大型语言模型（LLM）成为人工智能领域备受关注的焦点。LLM 在各种自然语言处理（NLP）任务上取得了显著的进展，尤其在推理方面的突破令人惊叹。然而，在复杂的推理任务上，LLM 的表现仍然有待提高

LLM 能否判断出自己的推理存在错误？最近，剑桥大学和 Google Research 联合开展的一项研究发现：LLM 无法自行发现推理错误，但却能够使用该研究提出的回溯方法来修正错误

• 论文地址：https://arxiv.org/pdf/2311.08516.pdf
• 数据集地址：https://github.com/WHGTyen/BIG-Bench-Mistake

这篇论文引发了一些争议，有人对此提出异议。例如，在Hacker News上，有人评论说论文的标题夸大其词，有点标题党的味道。还有人批评论文中提出的纠错逻辑错误的方法是基于模式匹配，而不是采用逻辑方法，这种方法容易失败

Huang 等人在论文《Large language models cannot self-correct reasoning yet》中指出：自我校正或许是能有效地提升模型输出的风格和质量，但鲜有证据表明 LLM 有能力在没有外部反馈的情况下识别和纠正自身的推理和逻辑错误。比如 Reflexion 和 RCI 都使用了基本真值的纠正结果作为停止自我校正循环的信号。

剑桥大学和Google Research的研究团队提出了一种全新的思路：将自我校正过程分为错误发现和输出校正两个阶段

• 错误发现是一种基础推理技能，已经在哲学、心理学和数学领域得到了广泛的研究和应用，并催生了批判性思维、逻辑和数学谬误等概念。我们可以合理地认为发现错误的能力也应该是 对 LLM 的一项重要要求。但是，本文结果表明：当前最佳的 LLM 目前还无法可靠地发现错误。
• 输出校正涉及部分或完全修改之前生成的输出。自我校正是指由生成输出的同一模型来完成校正。尽管 LLM 没有发现错误的能力，但本文表明：如果能提供有关错误的信息（如通过一个小型的监督式奖励模型），LLM 可以使用回溯方法校正输出。

本文的主要贡献包括：

• 使用思维链 prompt 设计方法，任何任务都可以变成错误发现任务。研究者为此收集并发布了一个 CoT 类型的轨迹信息数据集 BIG-Bench Mistake，该数据集由 PaLM 生成，并标注了第一个逻辑错误的位置。研究者表示，BIG-Bench Mistake 在它的同类数据集中，是首个不局限于数学问题的数据集。
• 为了测试当前最佳 LLM 的推理能力，研究者基于新数据集对它们进行了基准评测。结果发现，当前 SOTA LLM 也难以发现错误，即便是客观的明确的错误。他们猜测：LLM 无法发现错误是 LLM 无法自我校正推理错误的主要原因，但这方面还有待进一步研究。
• 本文提出使用回溯方法来校正输出，利用错误的位置信息来提升在原始任务上的性能。研究表明这种方法可以校正原本错误的输出，同时对原本正确的输出影响极小。
• 本文将回溯方法解释成了「言语强化学习」的一种形式，从而可实现对 CoT 输出的迭代式提升，而无需任何权重更新。研究者提出，可以通过一个经过训练的分类器作为奖励模型来使用回溯，他们也通过实验证明了在不同奖励模型准确度下回溯的有效性。

BIG-Bench Mistake数据集

BIG-Bench 包含了 2186 个使用 CoT 风格的轨迹信息集合。每个轨迹都是由 PaLM 2-L-Unicorn 生成的，并且标注了第一个逻辑错误的位置。表格 1 展示了一个轨迹示例，其中错误出现在第 4 步

这些轨迹来自 BIG-Bench 数据集中的 5 个任务：词排序、跟踪经过混洗的对象、逻辑推演、多步算术和 Dyck 语言。

為了解答每個任務的問題，他們使用了CoT prompt 設計法來呼叫 PaLM 2。為了將CoT 軌跡分成明確的步驟，他們採用了《React: Synergizing reasoning and acting in language models》中提出的方法，分開生成每一步，並使用換行符作為停止標記

#產生所有軌跡時，在該資料集中，當temperature = 0時，答案的正確性由精確匹配決定

#基準測試結果 

在新的錯誤發現資料集上，報告了GPT-4-Turbo、GPT-4和GPT-3.5-Turbo的準確度如表4所示

每個問題都有兩個可能的答案：要嘛正確，要嘛錯誤。如果是錯誤的話，數值 N 將指示第一個錯誤出現的步驟

所有模型都被輸入了相同的 3 個 prompt。他們使用了三種不同的prompt 設計方法：

• 直接的軌跡層面的prompt 設計 
• ##直接的步驟層面的prompt 設計 
• CoT 步驟層面的prompt 設計

需要重新寫作的內容是：相關討論

研究結果表明，這三個模型都難以應對這個新的錯誤發現資料集。 GPT 的表現最好，但在直接的步驟層面的 prompt 設計上也只能達到 52.87 的整體準確度。

這表示目前最佳的 LLM 難以發現錯誤，即使在最簡單和明確的案例中。相較之下，人類在沒有特定專業知識時也能發現錯誤，並且具有很高的一致性。

研究者猜測：LLM 無法發現錯誤是 LLM 無法自我校正推理錯誤的主要原因。

prompt 設計方法的比較

#研究人員發現，從直接軌跡層面的方法到步驟層面的方法再到CoT 方法，軌跡的準確度顯著降低，沒有出現錯誤。圖 1 顯示了這種權衡

研究者認為，造成這種情況的原因可能是模型輸出的數量。這三種方法都需要產生越來越複雜的輸出：直接產生軌跡的提示設計方法需要單一標記，直接產生步驟的提示設計方法需要每步一個標記，而CoT步驟層面的提示設計方法則需要每步多個句子。如果每次產生呼叫的錯誤率存在一定的機率，則每條軌跡的呼叫次數越多，模型至少辨識出一個錯誤的可能性就越大

##將錯誤位置作為正確性代理的少樣本prompt 設計

#研究者探究了這些prompt 設計方法能否可靠地決定一個軌蹟的正確性，而不是錯誤位置。

他們算出了平均F1分數，計算依據是模型能否正確預測軌跡中是否有錯誤。如果有錯誤，則認為模型預測的軌跡是「錯誤答案」。否則，認為模型預測的軌跡是「正確答案」

使用correct_ans 和incorrect_ans 作為正例標籤，並根據每個標籤的出現次數進行加權，研究者計算了平均F1分數，結果如表5。

這個加權 F1 分數表明，對於確定最終答案的正確性而言，透過 prompt 尋找錯誤是一個很糟糕的策略。

回溯

黃等人指出，LLM在沒有外部回饋的情況下無法自我校正邏輯錯誤。然而，在許多真實世界的應用中，通常是沒有可用的外部回饋的

研究者在這項研究中採用了一種替代方案：用一個在少量資料上訓練的輕量級分類器取代外部回饋。與傳統強化學習中的獎勵模型類似，這個分類器可以偵測 CoT 軌跡中的任何邏輯錯誤，然後再回饋給生成器模型以提升輸出。如果想要最大化提升，可以進行多次迭代。

研究者提出了一個簡單的方法，透過回溯邏輯錯誤的位置來提升模型的輸出

• 模型首先產生一個初始的CoT 軌跡。在實驗中，設定 temperature = 0。
• 然後使用獎勵模型確定軌跡中錯誤的位置。
• 如果沒有錯誤，就轉向下一個軌跡。如果有錯誤，則再次向模型輸入 prompt 以執行相同的步驟，但這次 temperature = 1，產生 8 個輸出。這裡會使用同樣的 prompt 以及包含錯誤步驟之前所有步驟的部分軌跡。
• 在這 8 個輸出中，過濾掉與先前的錯誤一樣的選項。再從剩下的輸出中選擇對數機率最高的一個。
• 最後，用新的重新產生的步驟取代先前步驟，再重新設定 temperature = 0，繼續產生該軌跡的剩餘步驟。

比起先前的自我校正方法，這種回溯方法有諸多優點：

• 新的回溯方法不需要對答案有預先的知識。相反，它依賴於有關邏輯錯誤的資訊（例如來自訓練獎勵模型的資訊），這可以使用獎勵模型一步步地確定。邏輯錯誤可能出現在 correct_ans 軌跡中，也可能不出現在 incorrect_ans 軌跡中。 
• 回溯方法不依賴任何特定的 prompt 文字或措辭，從而可減少相關的偏好。 
• 比相比需要重新產生整個軌跡的方法，回溯方法可以透過重複使用已知邏輯正確的步驟來降低計算成本。
• 回溯方法可直接提升中間步驟的質量，這可能對需要正確步驟的場景來說很有用（例如產生數學問題的解），同時還能提升可解釋性。

研究人員使用 BIG-Bench Mistake 資料集進行實驗，旨在探討回溯方法是否有助於 LLM 校正邏輯錯誤。實驗結果請參考表格6

#∆accuracy✓ 是指原答案是correct_ans 時，在軌跡集合上的accuracy_ans 之差。

對於錯誤答案軌跡的結果，需要重新計算準確度

這些分數結果顯示：校正incorrect_ans 軌跡的效益大於改變原本正確的答案所造成的損失。此外，儘管隨機基準也獲得了提升，但它們的提升顯著小於使用真正錯誤位置時的提升。請注意，在隨機基準中，涉及步驟較少的任務更可能獲得效能提升，因為這樣更可能找到真正錯誤的位置。

為了探索在沒有好的標籤時，需要哪種準確度等級的獎勵模型，他們實驗了透過模擬的獎勵模型使用回溯；這種模擬的獎勵模型的設計目標是產生不同準確度等級的標籤。他們使用 accuracy_RM 表示模擬獎勵模型在指定錯誤位置的準確度。

當給定獎勵模型的 accuracy_RM 為 X% 時，便在 X% 的時間使用來自 BIG-Bench Mistake 的錯誤位置。對於剩餘的 (100 − X)%，就隨機取樣一個錯誤位置。為了模擬典型分類器的行為，會以與資料集分佈相符的方式來取樣錯誤位置。研究者也想辦法確保了採樣的錯誤位置與正確位置不符。結果見圖 2。

可以觀察到，當損失率達到65%時，∆準確率開始趨於穩定。實際上，對於大多數任務而言，在準確率_RM約為60-70%時，∆準確率✓已經超過了∆準確率✗。這表明，儘管更高的準確率可以獲得更好的結果，但即使沒有黃金標準的錯誤位置標籤，回溯仍然有效

以上是Google：LLM找不到推理錯誤，但能修正它的詳細內容。更多資訊請關注PHP中文網其他相關文章！