為了填補LLM在復雜多模態(tài)環(huán)境中利用復雜工具完成多輪、多模態(tài)指令的評估空白，研究人員引入了PowerPoint任務完成（PPTC）基準測試，以評估LLM創(chuàng)建和編輯PPT文檔的能力。
最近對大型語言模型（例如ChatGPT和GPT-4）進行的評估工作主要側重于在基本自然語言任務上的能力，以及模型生成用于解決單句用戶指令的API的工具使用能力，卻忽略了在理解復雜多模態(tài)環(huán)境中使用API完成用戶指令的難題。
此外，現(xiàn)有評估方法主要集中在比較生成的API與標簽API序列，但在存在多個/無限正確解決方案的復雜情況下，這種方法也變得不再適用。
為了解決這個挑戰(zhàn)，來自北大和微軟亞洲研究院的研究人員們提出了測試大模型在多輪，多模態(tài)環(huán)境下完成PPT任務的評估數(shù)據(jù)集PPTC（PowerPoint Task Completion）。
如圖1（a）所示，為了幫助用戶完成對PPT文檔的創(chuàng)建和編輯，研究人員采取多輪人機對話的形式來構建數(shù)據(jù)集。
圖1：（a）模擬了人類與語言模型之間的多輪對話場景，以評估語言模型在PPT任務完成性能方面的表現(xiàn)。（b）對話單元的輪次數(shù)量分布。
每輪開始于用戶的指令，大模型需要生成對應的API序列作為解決方法，執(zhí)行并返回生成的PPT文檔給用戶。
數(shù)據(jù)集中一共有279個像這樣的多輪對話單元，如圖1（b）所示，大部分單元由3到10對話輪次組成。
更進一步，如圖2（a）所示，數(shù)據(jù)集中包含各種難度的用戶指令（由所需API數(shù)量決定），如數(shù)百個涉及到統(tǒng)計圖表、表格、圖像、空間位置相關多模態(tài)操作的指令。
圖2：（a）指令所需最少API數(shù)量分布。（b）涉及到統(tǒng)計圖表，表格，圖片和位置操作的用戶指令數(shù)量。
01 生成和執(zhí)行API序列
為了完成每輪用戶的指令，研究人員主要考慮：
1． 當前輪次的用戶指令
2． 之前輪次的用戶指令（對話歷史）
3． PPT文檔（環(huán)境信息）
4． 可使用的API列表作為大模型輸入，prompt大模型生成對應的API序列作為解決方案。
圖3：一個會話單元中語言模型如何完成一個輪次。（A）用當前的指令、之前的指令（對話歷史）、PPT文件內容以及API參考文件作為輸入prompt大模型。（B）然后，語言模型生成API序列并執(zhí)行它，以獲取預測的PPT文件。（C）評估預測文件中的屬性和位置關系
為了方便大模型處理信息，研究人員提供一個PPT文檔讀取函數(shù)來將多模態(tài)文檔轉化為文字形式的文檔內容，以及一個API執(zhí)行函數(shù)來自動執(zhí)行大模型生成的API序列，從而生成對應的預測PPT文檔。
02 評估大模型生成的PPT文檔
本文提出PPTX-Match評估系統(tǒng)來評估大模型生成的文檔是否正確。
如圖3所示，它使用PPTX庫來抽取生成的文檔中所有的元素，并逐一驗證元素間的空間位置關系是否正確，并驗證元素的屬性內容是否和標簽文檔的對應內容匹配。
本文的評測系統(tǒng)只評測最終生成的PPT文檔，因此允許各種API序列來完成用戶指令。
基于這個系統(tǒng)，本文的評測指標分別包括只考慮當前輪次的輪次層面表現(xiàn)和考慮整個單元的單元層面表現(xiàn)。
03 實驗結果
本文在3個閉源大模型和6個開源大模型上測試PPTC數(shù)據(jù)集。進一步的，本文測試計劃算法（零樣本思維鏈（Zero-shot CoT）和思維樹（ToT）算法）以及PPT內容和API選擇算法是否能進一步提升GPT-4模型在PPTC上的表現(xiàn)。
從表1和表2展現(xiàn)出的結果中，可以得出以下結論：
（1）GPT-4是9個大模型中表現(xiàn)最強的模型，在創(chuàng)建新PPT文檔任務中它甚至能實現(xiàn)75%的輪次層面正確率。
（2）基于開源大模型（LLaMa-2）的進一步代碼預訓練（code-LLaMa）和對齊能夠進一步提升模型輪次層面表現(xiàn)
表1：9個大語言模型的結果。‘TD-003’是指Text-Davinci-003模型
（3）計劃算法和選擇算法能夠進一步提升GPT-4 2到5個百分點的輪次層面正確率。然而，本文發(fā)現(xiàn)，盡管思維樹相對零樣本思維鏈花了超過數(shù)倍的推斷成本，它的表現(xiàn)卻并沒有明顯進一步的提升。
表2：GPT-4和基于GPT-4模型的算法的結果。‘CoT’和‘ToT’分別是思維鏈和思維樹算法
04 三個PPTC上的主要挑戰(zhàn)
進一步的，本文分析得出大模型在PPTC上遇到的三個主要的挑戰(zhàn)：
錯誤累計導致大模型單元層面表現(xiàn)糟糕
盡管諸如GPT-4這樣的大模型在輪次層面表現(xiàn)較好，但當本文測試大模型在包含多個輪次的單元層次表現(xiàn)時，大模型表現(xiàn)普遍糟糕。
如表1所示，在創(chuàng)建新文檔任務中，GPT-4只正確完成了不到百分之23的多輪次單元。
大模型處理長PPT模版的能力欠佳
在PPT文檔編輯任務中，大模型需要基于給予的長PPT模板完成用戶指令。
圖4： 創(chuàng)建新的PPT文件任務（任務1）和編輯PPT模板任務（任務2）的分析結果。在子圖（a）中，本圖展示了涉及圖表、表格、圖片、位置和純文本的指令的平均基于輪次的準確度。在子圖（b）中，本圖展示了GPT-4的四種常見錯誤的比例。
然而，如表1所示，即使是GPT-4，也只實現(xiàn)了百分之38的輪次正確率，只完成了6%的多輪次單元。如圖4（b）所示，對文檔的誤解成為編輯任務的主要錯誤原因。
多模態(tài)指令提高了任務難度
如圖4（a）所示，大模型在處理圖表，表格，圖像，空間位置相關的指令上的表現(xiàn)遠不如處理只涉及純文本操作的指令表現(xiàn)，特別是涉及到移動空間位置的指令。
如圖4（b）所示，糟糕的空間位置感知成為創(chuàng)建新文檔任務的主要錯誤原因。
05 總結
1． 本文提出了PowerPoint任務完成評估測試（PPTC），用于衡量在 PowerPoint 官方軟件中的語言模型的任務完成性能。這一基準測試包含了279個多輪會話單元，涵蓋了復雜的多模式環(huán)境中的數(shù)百個多模式指令。
2． 本文提出了PPTX-Match評估系統(tǒng)，用于自動測量語言模型在PPTC中的性能。本文測試了3個閉源語言模型和6個開源語言模型，發(fā)現(xiàn)GPT-4是所有語言模型中性能最強的。
3． 本文進一步發(fā)現(xiàn)了三個關鍵的錯誤因素：會話中的錯誤累積、長的PPT模板處理和多模態(tài)感知。這些發(fā)現(xiàn)為未來的語言模型和基于語言模型的agent系統(tǒng)提出了重要的挑戰(zhàn)。
