GPT-4推理能力为0?开发者悬赏1万美金被打脸,神秘提示正确率直冲100%
原标题:GPT-4推理能力为0?开发者悬赏1万美金被打脸,神秘提示正确率直冲100%
导读:
云豹娱乐股份有限公司董事长兼社长陈云云今日宣布由常务董事兼社长近藤季洋开发之动作伊苏系列中屈指可数的名作伊苏菲尔迦纳的誓约为基础进行并新增要素的伊苏回忆录菲尔迦纳的誓约繁体中文...
云豹娱乐股份有限公司(董事长兼社长:陈云云)今日宣布,由NIHONFALCOMCORPORATION(常务董事兼社长:近藤季洋)开发之动作RPG「伊苏」系列中屈指可数的名作『伊苏-菲尔迦纳的誓约-』为基础,进行HDremaster并新增要素的PlayStation®5/PlayStation®4《伊苏回忆录-菲尔迦纳的誓约-》(繁体中文版/韩文版)决定于2024年5月23日(四)上市。
声明:本文来自于微信公众号 新智元(ID:AI_era),作者:新智元,授权 转载发布。
【新智元导读】小孩子都会的脑筋急转弯推理题,和Claude3做不出?国外一位开发者小哥坚称这一观点,认为GPT模型在训练集外毫无推理能力,无法实现AGI,甚至悬赏1万美元,发起比赛。然而,他当天就被光速打脸了!网友用高能的prompt,让GPT-4和Claude3几乎达到百分百的正确率。
ChatGPT,再一次打破人们对它的成见!
它用自己的优秀表现证明了,很多时候自己看似失败的表现,只是因为人类不会正确地prompt而已。
这位名叫Taelin的程序员、初创公司Higher Order的创始人表示,下面这个脑筋急转弯,大多数孩子都能在一分钟内解决,然而所有的AI却都惨遭失败。
这也就成了他给GPT「判死刑」的一个铁证——
GPT模型在训练集之外,没有任何推理能力。GPT永远无法实现AGI。7万亿肯定是白烧的,是时候寻找新的算法了。
为此,他向公众社区发出了一项挑战,任何能用LLM解决这个难题的人,将获得10000美元的奖金。
然而——他!被!打!脸!了!
两天后,一位网友仅通过提示,就让模型解决这道问题时达到了接近100%的成功率。
Taelin迅速「滑跪」,发布声明承认:我最初的主张是错误的。
我怀疑GPT架构是否能解决某些问题,毫无疑问,它可以解决。
并且,他如约给出了10000美元奖金。
沃顿商学院教授Ethan Mollick转发了他的帖子,评论道——
「我们经常能看到这种现象:很多时候我们一个问题LLM无法解决,只有人类能解决,但其实LLM只是需要更好的提示而已。」
大赛始末
Taelin小哥用来考验大模型的A::B问题,题干如下——
A::B是一个包含有4个token的系统:A#、#A、B#和#B。
A::B程序是一个token序列,例如:「B# A# #В #А В#」。
要计算一个程序,我们必须使用规则重写相邻token:
「A# #A」变成「无」
「A# # B」变成「#B A#」
「B# #A」变成「#A B#」
「B# #B」变成「无」
换句话说,只要两个相邻token符的「#」相向,就必须根据相应的规则进行改写。
例如,第一个例子的计算方法是:
B# A# #B #A B#
= B# #B A# #A B#
= A# #A B#
= B#
步骤如下:
1. 将「A# #B」替换为「#B A#」。
2. 将「#B A#」替换「B# #B」。
3. 将「A# #A」替换为「无」。
最后的结果只有「B#」。
现在,请看下面这个程序:「A# B# B# #A B# #A #B」。
一步一步完成计算。
对此,他是这样解释的——「GPT永远不会解决A::B问题」,因为:
1. GPT无法真正学习到训练集之外的新问题;
2. GPT无法进行长期的逻辑推理,不管这个推理过程看起来多么简单。
而这两点是发明新科学的必要条件。
毕竟,解决某些数学问题可能需要数年时间。
如果连一个15岁的孩子在智力任务上都比不过,那么就不可能证明黎曼假设。
1万刀的挑战长啥样?
小哥给大家的挑战就是,必须开发出一个AI提示,能够解决随机的12-token实例的A::B问题,并且成功率超过90%。
1. AI将接受一个<problem/>来解决
XML标签中的提示将作为系统提示用于解题。例如:
2. AI必须在答案中以<solution/>结束
答案必须在AI的回答中(一次推理调用内)直接给出,格式为纯文本(不是代码),并放在XML标签中。例如:
3. AI答案最多可包含32K token
这个token数,已经足够提供充足的空间,让AI逐步解决问题和纠错了。
4. 你可以选择任何一个公开的GPT模型
任何基于GPT(Transformer)架构的公开模型都可以,条件是它完全由注意力机制、正向传播等来生成答案。
不允许使用其他架构,如SAT求解器。底层架构不明确的专有模型,也不允许使用。
作者推荐使用的是gpt-4-0314、gpt-4-turbo-preview或claude-3-opus-20240229,设置温度为0.0(temperature=0.0)。开源模型亦可。但简直对问题进行微调或训练。
不允许访问互联网或执行代码。答案必须在单次推理调用中自成一体。
而且,需要格外注意模型的输出限制。12-token的实例可能需要36步才解决,如果超出限制,导致输出中没有答案,也视为无效。
5. 你的提示可以包含任何内容,最多8K token
允许使用任何提示技术。你可以要求AI step-by-step,使用上下文暂存器,检查错误,使用锚点。
允许提供论文、代码、尽可能多的示例。
甚至允许向AI提供金钱和情感上的奖励,或者对它威胁。
总之,只要在8K token以内,什么都可以。
一天内,有人成功揭榜
大赛开始后,才短短几小时内,开发者们就提交了众多解决方案。
然而,这些方案几乎都毫无例外地失败了,成功率只勉强达到10%。
小哥感觉,自己差不多稳了。
谁料想,就在这时,两位网友提交了一个令人印象深刻的解决方案。
在他们精心设计的提示引导下,Claude-3Opus展现出了惊人的能力——
它不仅能从少数示例中归纳出任意随机情况,还能严格遵守规则进行长期计算,并且错误率几乎为零。
Taelin测试后惊讶地发现,Claude-3Opus居然取得了56%的惊人成功率!
随后,先后有5位参赛者,分别用Opus和GPT-4达到了相似的成功率,甚至GPT-3.5都取得了不错的成绩。
到了当天深夜,竟然有网友提交了满分答卷!
futuristfrog发布了一条推文,声称仅通过精心设计的提示就实现了近乎100%的成功率。
事实证明,他的确做到了。在小哥的首次测试中,他的方案在50次尝试中成功了47次,因此赢得了奖金,圆满完成了这一挑战。
讨论激烈
问题一出,便引发了激烈的讨论。
有网友表示自己没做任何修改,GPT-4就做了出来。
但很快就被其他网友指出了错误。
高赞回答表示,如果让GPT-4编写程序,这道题实际上是非常容易的。
但很明显,你不能说LLM + Python就能得到AGI。
与此同时,各路网友也纷纷开始提交自己做出的答案。
但也有不少人认为,作者出的这道题,很有问题。
Eric (e/ass)表示,正如Karpathy多次指出的,token化问题是导致序列操作成功或失败的关键因素。
如果在token化过程中出现了问题,那么即使是更简单的字符串操作也无法顺利完成。
相比之下,token化处理得较好的字符串(例如连续的两个字母)就很容易进行操作。
当然,这并不意味着GPT在管理规则排列的token的空间布局方面没有本质的问题。
实际上,它在这方面的表现并不出色,而且将其分解为字节也并没有太大帮助,因为这会使需要移动的数据单元占用更多空间。
与人类能够进行动态分块处理不同,目前的LLM还没有找到有效的解决方案。
你提到的逻辑问题可能确实存在,但这个例子并没有证明GPT存在无法克服的根本性限制。
或许随着技术的进步会诞生更强的模型,但这并不意味着如今的Transformer在进行基本推理方面存在明显的短板。
Edgars Nemše也认为,这不是因为GPT推理能力不行,而是被自己的「观察」方式限制住了。
作者解释
最后,为了让大家能更好地理解这个挑战,我们来看一看Taelin自己的详细解释。
1. 这个问题并非由token化引起的。即便是每个符号分配一个token,GPT-4、Opus等模型仍然无法解决这类问题。即使是基于字节的GPT模型也同样失败。不要总是将问题归咎于token化。
2. GPT无法解决这类问题的根本原因在于,它们缺乏进行持续逻辑推理的能力。简而言之,任何超出训练集范围、哪怕只需一丁点逻辑推理的「新问题」,GPT都无法应对。这正是我们想要证明的。
3. 强大如GPT-4或Opus之类的模型,其实质上是在其权重中「演化出了一位电路设计师」。但是,注意力机制作为一种计算模型的固定性,使得这种演化的电路无法展现足够的灵活性。这就像AGI试图在其中成长,但由于计算和通信的限制而无法做到。相比之下,人类的大脑始终在经历着突触可塑性变化。
4. 一个冷知识是,当前AI热潮的很大一部分原因是人类不善于理解规模的巨大。一旦你记住了整个互联网的内容,你看起来会非常聪明。
5. 尽管如此,GPT依然展现出了强大的能力。它们解决了许多现实世界的问题,将普通开发者的能力提升了数百倍,并以此加速了人类进步的步伐。我相信通用人工智能的到来已经近在咫尺。但它不会是GPT,也不会是任何基于梯度下降的形式。
6. 我的看法可能完全错误。毕竟,我只是互联网上的一名普通人,而且经常犯错。
- 版权所属:王牌阁
- 本文地址:http://program.uexe.cn/16663.html
- 版权声明:原创文章,转载时必须以链接形式注明原始出处及本声明。