可協(xié)助AI語言模型改善自我糾錯能力，谷歌推出BIG-Bench Mistake數(shù)據(jù)集

　　谷歌研究院日前使用自家 BIG-Bench 基準測試建立了一項“BIG-Bench Mistake”數(shù)據(jù)集，并利用相關數(shù)據(jù)集對市面上流行的語言模型“出錯概率”及“糾錯能力”進行了一系列評估研究。

　　谷歌研究人員表示，由于過去沒有能夠評估大語言模型“出錯概率”及“自我糾錯能力”的數(shù)據(jù)集，因此他們創(chuàng)建了一項名為“BIG-Bench Mistake”的專用基準數(shù)據(jù)集用于評估測試。

　　據(jù)悉，研究人員首先使用 PaLM 語言模型在自家 BIG-Bench 基準測試任務中運行了 5 項任務，之后將生成的“思維鏈(Chain-of-Thought)”軌跡修改加入“邏輯錯誤”部分，之后重新丟給模型判斷思維鏈軌跡中哪些地方存在錯誤。

　　為了提升數(shù)據(jù)集準確程度，谷歌研究人員反復進行上述過程，最終形成了一項內含“255 項邏輯錯誤”的“BIG-Bench Mistake”專用基準數(shù)據(jù)集。

　　研究人員提到，由于“BIG-Bench Mistake”數(shù)據(jù)集中的邏輯錯誤較為“簡單明確”，因此可以作為一個良好的測試標準，可協(xié)助語言模型先從簡單的邏輯錯誤開始練習，逐步提升辨識錯誤的能力。

　　研究人員利用該數(shù)據(jù)集對市面上模型進行測試，發(fā)現(xiàn)雖然絕大多數(shù)語言模型可以識別在推理過程中出現(xiàn)的邏輯錯誤并進行自我修正，但這個過程“并不夠理想”，通常需要人工干預來糾正模型輸出的內容。

　　從報告中發(fā)現(xiàn)，谷歌聲稱“目前最先進的大語言模型”自我糾錯能力也相對有限，在相關測試結果中成績發(fā)揮最好的模型，也僅僅找出了 52.9% 的邏輯錯誤。

　　谷歌研究人員同時聲稱，這一 BIG-Bench Mistake 數(shù)據(jù)集有利于改善模型自我糾錯能力，經過相關測試任務微調后的模型，“即便是小型模型表現(xiàn)也通常比零樣本提示的大模型更好”。

　　據(jù)此，谷歌認為在模型糾錯方面，可以使用專有小型模型“監(jiān)督”大型模型，相對于讓大語言模型學會“糾正自我錯誤”，部署專用于監(jiān)督大模型的小型專用模型有利于改善效率、降低相關 AI 部署成本，并更便于微調。