新智元報(bào)道
編輯：編輯部
【新智元導(dǎo)讀】谷歌放出的Gemini，在對(duì)標(biāo)GPT的道路上似乎一直處于劣勢(shì)，Gemini真的比GPT-4弱嗎？最近，斯坦福和Meta的學(xué)者發(fā)文為Gemini正名。
Gemini的推理能力，真的比GPT-4弱嗎？
此前，谷歌憋出的重磅復(fù)仇神器Gemini Pro，被發(fā)現(xiàn)在常識(shí)推理任務(wù)中落后于AI target=_blank class=infotextkey>OpenAI的GPT模型。
之后又有CMU發(fā)布的論文和實(shí)驗(yàn)，證明Gemini Pro的很多能力都略微落后于GPT-3.5 Turbo。
不過最近，斯坦福和Meta的學(xué)者為Gemini洗清了這一「冤屈」。
他們發(fā)現(xiàn)，這種基于有限數(shù)據(jù)集（HellaSWAG）的評(píng)估，并不能完全捕捉到Gemini真正的常識(shí)推理潛力。
論文地址：https://arxiv.org/abs/2312.17661
而在新測(cè)試集中，Gemini的推理能力比之前強(qiáng)很多！
Gemini的真正潛力
斯坦福和Meta的研究人員表示，以前的基于有限數(shù)據(jù)集的評(píng)估，對(duì)于Gemini不夠公平。
這次，研究人員設(shè)計(jì)了需要跨模態(tài)整合常識(shí)知識(shí)的任務(wù)，以對(duì)Gemini在復(fù)雜推理任務(wù)中的表現(xiàn)進(jìn)行徹底的評(píng)估。
研究人員對(duì)12個(gè)常識(shí)推理數(shù)據(jù)集進(jìn)行了全面分析，從一般任務(wù)到特定領(lǐng)域的任務(wù)。
在其中的4個(gè)LLM實(shí)驗(yàn)和2個(gè)MLLM實(shí)驗(yàn)中，研究者證明了Gemini具有目前相當(dāng)強(qiáng)的常識(shí)推理能力。
研究者對(duì)于當(dāng)前流行的四大模型——Llama 2-70b、Gemini Pro、GPT-3.5 Turbo和GPT-4 Turbo進(jìn)行了評(píng)估，
他們發(fā)現(xiàn)，總體而言，Gemini Pro的性能和GPT-3.5 Pro相當(dāng)，準(zhǔn)確性上落后于GPT-4 Turbo。
實(shí)驗(yàn)數(shù)據(jù)集
實(shí)驗(yàn)中采用了12個(gè)與不同類型的常識(shí)推理相關(guān)的數(shù)據(jù)集，包括11個(gè)基于語言的數(shù)據(jù)集和一個(gè)多模態(tài)數(shù)據(jù)集。
基于語言的數(shù)據(jù)集包括三大類常識(shí)推理問題：
1.一般推理和情境推理：CommonsenseQA，側(cè)重于一般常識(shí)知識(shí)；Cosmos QA，強(qiáng)調(diào)語境理解敘事；αNLI，引入演繹推理，包括推斷最合理的解釋；HellaSWAG，以上下文事件序列的推理為中心。
2.專業(yè)推理和知識(shí)推理：TRAM，測(cè)試關(guān)于時(shí)間的推理；NumerSense，側(cè)重于數(shù)值理解；PIQA，評(píng)估物理相互作用知識(shí)；QASC，處理與科學(xué)相關(guān)的推理；RiddleSense，通過謎語挑戰(zhàn)創(chuàng)造性思維。
3.社會(huì)和道德推理：Social IQa，測(cè)試對(duì)社會(huì)互動(dòng)的理解；ETHICS，評(píng)估道德和倫理推理。
對(duì)于多模態(tài)數(shù)據(jù)集（視覺和語言），這里選擇VCR，一個(gè)用于認(rèn)知水平視覺理解的大規(guī)模數(shù)據(jù)集。
對(duì)于包含多個(gè)任務(wù)的TRAM和ETHICS等數(shù)據(jù)集，研究人員提取了實(shí)驗(yàn)的常識(shí)推理部分。
實(shí)驗(yàn)中采用準(zhǔn)確性作為所有數(shù)據(jù)集的性能指標(biāo)。下表給出了數(shù)據(jù)集的概述以及示例問題。
模型
采用最流行的四個(gè)大模型：開源的Llama-2-70b-chat和閉源的Gemini Pro、GPT-3.5 Turbo、GPT-4 Turbo。
每個(gè)模型都使用相應(yīng)的API密鑰進(jìn)行訪問：通過google Vertex AI訪問Gemini，通過OpenAI API訪問GPT，通過DeepInfra訪問Llama2。
對(duì)于多模態(tài)數(shù)據(jù)集，實(shí)驗(yàn)中考慮了GPT-4V（API中的gpt-4-vision-preview）和 Gemini Pro Vision（API中的gemini-pro-vision）。
考慮到API成本和速率的限制，研究人員從每個(gè)基于語言的數(shù)據(jù)集的驗(yàn)證集中隨機(jī)選擇了200個(gè)示例，從VCR數(shù)據(jù)集的驗(yàn)證集中隨機(jī)選擇了50個(gè)示例。
對(duì)于所有評(píng)估，在模型響應(yīng)生成期間采用貪婪解碼（即溫度=0）。
提示
在評(píng)估基于語言的數(shù)據(jù)集時(shí)，研究人員采用了兩種提示設(shè)置：零樣本標(biāo)準(zhǔn)提示（SP），旨在衡量模型在語言環(huán)境中的固有常識(shí)能力，以及少樣本思維鏈（CoT）提示，用于觀察模型性能的潛在增強(qiáng)。
對(duì)于多模態(tài)數(shù)據(jù)集，利用零樣本標(biāo)準(zhǔn)提示，來評(píng)估MLLM的端到端視覺常識(shí)推理能力。
結(jié)果
整體的性能比較結(jié)果如下表所示：
從模型的角度來看，GPT-4 Turbo的平均表現(xiàn)最好。在零樣本學(xué)習(xí)中，它比第二名的Gemini Pro高出7.3%，在少樣本學(xué)習(xí)中優(yōu)勢(shì)更大（9.0%）。
而Gemini Pro的平均準(zhǔn)確率略高于 GPT-3.5 Turbo（0-shot，SP下高1.3%，k-shot，CoT下高1.5%）。
關(guān)于提示方法，CoT提高了所有數(shù)據(jù)集的性能，在 CommonsenseQA、TRAM和Social IQa等數(shù)據(jù)集中有明顯的收益。
下表是在多模態(tài)VCR數(shù)據(jù)集上的性能比較：
VCR的三個(gè)子任務(wù)分別為：Q → A，根據(jù)視覺上下文生成問題的答案；QA→R，要求模型為給定的答案提供基本原理；Q → AR，既要回答問題，又要用適當(dāng)?shù)睦碛蓙碜C明回答的合理性。
將11個(gè)基于語言的數(shù)據(jù)集分為三組，在圖1中展示了每組中每種設(shè)置的性能。
研究結(jié)果表明，GPT-4 Turbo在所有類別的性能方面始終領(lǐng)先。
Gemini Pro和GPT-3.5 Turbo的性能相當(dāng)；不過，Gemini Pro在三個(gè)類別中的兩個(gè)類別中，略勝于GPT-3.5 Turbo。
總體而言，所有模型在處理社會(huì)和道德推理數(shù)據(jù)集方面，都表現(xiàn)出強(qiáng)大的能力。
然而，它們?cè)谝话阃评砗驼Z境推理任務(wù)上的表現(xiàn)，存在顯著差異。
這也表明，它們對(duì)更廣泛的常識(shí)原則，及其在不同背景下的應(yīng)用理解，存在潛在差距。
而在專業(yè)和知識(shí)推理類別，特別是在時(shí)間和基于謎語的挑戰(zhàn)領(lǐng)域，模型在處理復(fù)雜時(shí)間序列、破譯謎語所需的抽象和創(chuàng)造性思維能力上，都表現(xiàn)出了缺陷。
關(guān)于多模態(tài)數(shù)據(jù)集，圖2詳細(xì)介紹了GPT-4V和GeminiPro Vision在不同問題類型上的性能比較。
我們可以看到，在最后一個(gè)關(guān)于時(shí)間類別的問題上，GeminiPro Vision實(shí)現(xiàn)了反超。
MLLM的推理正當(dāng)性
為了評(píng)估MLLM的推理能力，尤其是不僅提供正確答案，還能就常識(shí)問題提供合理且基于上下文推理的能力，研究者采用了系統(tǒng)抽樣方法。
對(duì)于評(píng)估四個(gè)LLM的11個(gè)基于語言的數(shù)據(jù)集，研究者隨機(jī)選擇了30個(gè)回答正確的問題，和30個(gè)回答錯(cuò)誤的問題。
如果數(shù)據(jù)集提供的錯(cuò)誤答案少于30 個(gè)，研究者就會(huì)包含進(jìn)所有可用的錯(cuò)誤答案，以確保分析的全面性。
選擇這些問題后，他們會(huì)讓每個(gè)模型解釋：「問題答案背后的基本原理是什么?」 然后手動(dòng)檢查模型提供的推理過程，并根據(jù)其邏輯合理性和與問題的相關(guān)性被判為True或False。
圖3顯示，GPT-4 Turbo在正確和錯(cuò)誤的答案上，都顯示出先進(jìn)的推理機(jī)制，即使最終答案不準(zhǔn)確，它也有保持邏輯連貫的能力。
另外，Gemini Pro也表現(xiàn)出了值得稱贊的推理能力，提供了全面的常識(shí)推理方法。
下圖展示了Gemini Pro和GPT-3.5的兩個(gè)真實(shí)示例，展現(xiàn)了正確答案和正確理由，以及錯(cuò)誤答案和錯(cuò)誤理由的情況。
示例問題來自QASC數(shù)據(jù)集，紅色粗體為正確答案。在上圖中，Gemini Pro表現(xiàn)出有條不紊的推理，仔細(xì)考慮所有選項(xiàng)以得出最合乎邏輯的結(jié)論。
相反，由于GPT-3.5 Turbo對(duì)非常規(guī)邏輯的傾向，導(dǎo)致了富有想象力但不正確的答案。
這表明不同模型應(yīng)對(duì)常識(shí)推理任務(wù)的不同策略，有自己的獨(dú)特能力和局限性。
Gemini Pro的常識(shí)推理能力
一般常識(shí)（CommonsenseQA)
在使用CommonsenseQA數(shù)據(jù)集的一般常識(shí)評(píng)估中，有這樣一道示例問題：「當(dāng)你是陌生人時(shí)，人們會(huì)怎樣?」
A.火車 B.奇怪 C.人類 D.愚蠢 E.危險(xiǎn)
Gemini Pro選擇了B。
它的推理過程也值得注意：它認(rèn)識(shí)到，雖然所有選項(xiàng)都和「陌生人」的概念相關(guān)，但只有「奇怪」準(zhǔn)確概括了問題的中立和開放性本質(zhì)。
這個(gè)選擇，凸顯出了Gemini Pro解釋和應(yīng)用一般常識(shí)知識(shí)的能力。
時(shí)間（TRAM）
TRAM數(shù)據(jù)集的時(shí)間常識(shí)評(píng)估中的示例問題：「他還承諾會(huì)來找他。」
他需要多長時(shí)間才能「來到他身邊」？
A.100年 B.一分鐘內(nèi) C.幾個(gè)小時(shí)
由于缺乏足夠的背景信息，特別是關(guān)于所涉及的身份和「來到」的含義，Gemini Pro無法提供明確的答案。
這說明了，模型需要依賴特定的上下文信息，來做出準(zhǔn)確的時(shí)間判斷。
在現(xiàn)實(shí)世界的信息傳播中，模糊或不完整的信息，也會(huì)造成這種局限性。
社交(Social IQa)
在使用Social IQa數(shù)據(jù)集評(píng)估GeminiPro在社會(huì)常識(shí)推理方面的表現(xiàn)時(shí)，出現(xiàn)了一個(gè)有趣的場(chǎng)景: 人們一直欺負(fù)在Sasha，Sasha報(bào)復(fù)了回去，接下來人們會(huì)做什么？
A.按Sasha說的去做 B.報(bào)仇 C.逃離Sasha
正確答案是C，但Gemini Pro的選擇卻顯得很有洞察力。
它選擇了B，理由是Sasha的行動(dòng)很可能點(diǎn)燃了人們復(fù)仇的欲望。
這一回應(yīng)表明，Gemini Pro對(duì)于社會(huì)動(dòng)態(tài)和情感動(dòng)機(jī)有了細(xì)致入微的理解。
Visual（VCR）
在VCR數(shù)據(jù)集中，研究者分析了Gemini Pro Vision對(duì)涉及人身安全和潛在危險(xiǎn)場(chǎng)景的響應(yīng)。
如果此時(shí)4號(hào)推了3號(hào)，會(huì)發(fā)生什么？
Gemini Pro Vision回答：3號(hào)會(huì)掉下懸崖，危及生命。
這個(gè)結(jié)果表明，Gemini Pro Vision已經(jīng)能夠做出視覺常識(shí)推理，分析視覺場(chǎng)景并預(yù)測(cè)這些場(chǎng)景中動(dòng)作的潛在后果。
這表明模型已經(jīng)掌握了空間關(guān)系和物理后果，具備了類似人類認(rèn)知的復(fù)雜視覺信息能力。
作者介紹
Yuqing Wang目前是斯坦福大學(xué)的博士后研究員。
此前，她在明尼蘇達(dá)大學(xué)獲得學(xué)士學(xué)位，在在加利福尼亞大學(xué)圣芭芭拉分校獲得博士學(xué)位。
Yun Zhao目前是Meta的研究員，研究方向是機(jī)器學(xué)習(xí)（包括深度學(xué)習(xí)與強(qiáng)化學(xué)習(xí)）的應(yīng)用、人工智能與數(shù)據(jù)挖掘。
此前，他在清華大學(xué)獲得碩士學(xué)位，并且同樣在加利福尼亞大學(xué)圣芭芭拉分校獲得博士學(xué)位。
參考資料：
https://arxiv.org/abs/2312.17661
