克雷西发自凹非寺
量子位公众号 QbitAI
大模型长文本能力测试，又有新方法了！
腾讯 MLPD 实验室，用全新开源的“数星星”方法替代了传统的“大海捞针”测试。
相比之下，新方法更注重对模型处理长依赖关系能力的考察，对模型的评估更加全面精准。
利用这种方法，研究人员对 GPT-4 和国内知名的 Kimi Chat 进行了“数星星”测试。
结果，在不同的实验条件下，两款模型各有胜负，但都体现出了很强的长文本能力。
△横轴系以 2 为底的对数坐标
那么，“数星星”究竟是怎样的一种测试呢？
比“大海捞针”更加精准
首先，研究人员选择了一段长文本做为上下文，测试过程中长度逐渐递增，最大为 128k。
然后，根据不同的测试难度需求，整段文本会被划分成N段，并向其中插入M个包含“星星”的句子。
实验过程中，研究人员选择了《红楼梦》作为上下文文本，向其中加入了“小企鹅数了x颗星星”这样的句子，每个句子中的x都各不相同。
然后，模型会被要求找到所有这样的句子，并以 JSON 格式输出其中所有的数字，且只输出数字。
得到模型的输出之后，研究人员会将这些数字和 Ground Truth 进行对比，最终计算出模型输出的正确率。
相比于之前的“大海捞针”测试，这种“数星星”的方法更能体现出模型处理长依赖关系能力。
简而言之，“大海捞针”中插入多个“针”就是插入多个线索，然后让大模型找到并串联推理多个线索，并获得最终答案。
但实际的“大海捞多针”测试中，模型并不需要找到所有“针”才能答对问题，甚至有时只需要找到最后一根就可以了。
但“数星星”则不同——因为每句话中“星星”的数量都不一样，模型必须把所有星星都找到才能把问题答对。
所以，虽然看似简单，但至少在多“针”任务上，“数星星”对模型长文本能力有着更为精准的体现。
那么，有哪些大模型最先接受了“数星星”测试呢？
GPT-4 与 Kimi 难分高下
参加这场测试的大模型分别是 GPT-4 和国内以长文本能力而知名的大模型 Kimi。
在“星星”数量和文本粒度均为 32 时，GPT-4 的准确率达到了 96.8%，Kimi 则有 86.4%。
但当“星星”增加到 64 颗时，Kimi 则以 93.1% 的准确率超过了准确率为 89.7% 的 GPT-4.
减少到 16 时，也是 Kimi 的表现略胜于 GPT-4。
而划分的颗粒度也会对模型的表现造成一些影响，在“星星”同样出现 32 次时，颗粒度从 32 变为 16，GPT-4 的成绩有所上升，而 Kimi 则有所下降。
需要注意的是，在以上的测试中，“星星”的数量是依次递增的，但研究人员很快发现，这种情况下大模型很喜欢“偷懒”——
当模型发现星星数量是递增的的时候，即使区间内的数字是随机生成，也会引起大模型的敏感度增加。
例如：模型对3、9、10、24、1145、114514 这样的递增序列会比 24、10、3、1145、9、114514 更加敏感
所以，研究人员又特意将数字的顺序进行了打乱，重新进行了一次测试。
结果在打乱之后，GPT-4 和 Kimi 的表现都出现了明显下降，不过准确率仍在 60% 以上，两者相差 8.6 个百分点。
One More Thing
这个方法的准确性可能还需要时间检验，但不得不说名字起得真的很有一手。
△英文系同名歌曲 Counting Stars 歌词
网友也不禁感叹，现在关于大模型的研究，真的是越来越魔幻了。
但魔幻的背后，也体现出人们对于大模型长语境处理能力和性能的了解还不够充分。
就在前些天，先后有多家大模型厂商宣布推出能够处理超长文本的模型（虽然不全是基于上下文窗口实现），最高可达上千万，但实际表现还是未知数。
而 Counting Stars 的出现，或许正好有助于我们了解这些模型的真实表现。
那么，你还想看看哪些模型的测试成绩呢？
论文地址：
https://arxiv.org/abs/2403.11802
GitHub：
