7月18日凌晨，OpenAI在官網(wǎng)發(fā)布了最新技術(shù)研究——Prover-Verifier-Games。

　　隨著ChatGPT在法律、金融、營(yíng)銷等領(lǐng)域的廣泛使用，確保模型的安全、準(zhǔn)確輸出同時(shí)被很好理解變得非常重要。但由于神經(jīng)網(wǎng)絡(luò)的復(fù)雜和多變性，我們根本無(wú)法驗(yàn)證其生成內(nèi)容的準(zhǔn)確性，這也就會(huì)出現(xiàn)輸出“黑盒”的情況。

　　為了解決這個(gè)難題，OpenAI提出了全新訓(xùn)練框架Prover-Verifier Games(簡(jiǎn)稱“PVG”)，例如，用GPT-3這樣的小模型來(lái)驗(yàn)證、監(jiān)督，GPT-4大模型的輸出，從而提升輸出準(zhǔn)確率以及可控性。

　　PVG技術(shù)概念早在2021年8月的一篇論文中就被提出來(lái)，OpenAI也正是受此靈感啟發(fā)。這是一種基于博弈論的訓(xùn)練方法，通過(guò)模擬證明者和驗(yàn)證者之間的互動(dòng)，提高模型的輸出質(zhì)量。

　　在這個(gè)機(jī)制中，Prover(證明者)的任務(wù)就是生成內(nèi)容，而Verifier(驗(yàn)證者)的任務(wù)就是判斷這些內(nèi)容是否正確。

　　這樣做的目的是讓驗(yàn)證者學(xué)會(huì)如何從大量的內(nèi)容中識(shí)別出正確的答案。在驗(yàn)證的過(guò)程中，證明者和驗(yàn)證者的角色是相互依賴的。證明者需要生成能夠說(shuō)服驗(yàn)證者的內(nèi)容，而驗(yàn)證者則需要具備足夠的判斷力來(lái)識(shí)別出正確的內(nèi)容。

　　在訓(xùn)練PVG時(shí)，每輪訓(xùn)練都包括驗(yàn)證者和證明者的優(yōu)化。在每一輪中，驗(yàn)證者首先使用監(jiān)督學(xué)習(xí)來(lái)預(yù)測(cè)內(nèi)容的正確性，幫助驗(yàn)證者學(xué)會(huì)如何從大量的內(nèi)容中識(shí)別出正確的答案。使證明者通過(guò)強(qiáng)化學(xué)習(xí)來(lái)優(yōu)化其生成的內(nèi)容。

　　例如，當(dāng)用戶提出問(wèn)題“肖娜的父親的年齡是肖娜的5倍。肖娜目前的年齡是阿莉亞的3倍。如果阿莉亞3歲，肖娜的父親有多大?”GPT-4的輸出為45歲。而驗(yàn)證者模型GPT-3需要確定阿莉亞的年齡，然后根據(jù)阿莉亞的年齡計(jì)算出肖娜的年齡，最后再根據(jù)肖娜的年齡計(jì)算出肖娜父親的年齡，整個(gè)過(guò)程需要多輪驗(yàn)證。

　　此外，在訓(xùn)練過(guò)程中，OpenAI還引入了一種名為“可檢查性訓(xùn)練”(checkability training)的方法。

　　通過(guò)交替訓(xùn)練驗(yàn)證器和證明者模型，從而驗(yàn)證使用監(jiān)督學(xué)習(xí)來(lái)預(yù)測(cè)從之前輪次的證明者中采樣的解決方案的正確性。證明者則使用強(qiáng)化學(xué)習(xí)，根據(jù)當(dāng)前輪次驗(yàn)證器的接受度和解決方案的正確性來(lái)進(jìn)行持續(xù)優(yōu)化。

　　研究人員表示，隨著訓(xùn)練輪次的增加，驗(yàn)證者的健全性逐漸提升，表現(xiàn)為對(duì)狡猾論證者生成的錯(cuò)誤解決方案的抵抗力增強(qiáng)。同時(shí)，有益論證者生成的解決方案也變得更清晰，更易于被人類理解。

　　分不清9.9與9.11誰(shuí)大?大模型數(shù)學(xué)能力堪憂

　　大部分大模型都在給出答案的同時(shí)呈現(xiàn)了推理過(guò)程。智譜清言給出的推理過(guò)程顯示，在比較13.11%和13.8%時(shí)，13.11%是更大的數(shù)值。這是因?yàn)楫?dāng)比較兩個(gè)百分?jǐn)?shù)時(shí)，我們首先比較整數(shù)部分，如果它們相同，則比較小數(shù)部分。在這里，兩個(gè)數(shù)的整數(shù)部分都是13，但13.11的小數(shù)部分(11)大于13.8的小數(shù)部分(8)，因此13.11%大于13.8%。

　　從推理過(guò)程判斷，可能由于小數(shù)點(diǎn)后數(shù)位不同，大模型在比較過(guò)程中產(chǎn)生了幻覺(jué)。經(jīng)過(guò)兩輪提問(wèn)后，智譜清言給出了正確回答。

　　當(dāng)把問(wèn)題換成“9.9與9.11誰(shuí)大”，零一萬(wàn)物的萬(wàn)知大模型等同樣在一開(kāi)始給出錯(cuò)誤答案，當(dāng)記者進(jìn)一步追問(wèn)“9.11減9.9等于多少”，甚至有大模型給出“0.21”的答案。

　　萬(wàn)知的推理過(guò)程稍顯混亂：在比較9.9和9.11時(shí)，由于整數(shù)部分都是9，所以比較小數(shù)點(diǎn)后的第一位數(shù)字。9.9的小數(shù)點(diǎn)后第一位是9，而9.11的小數(shù)點(diǎn)后第一位是1。由于9小于10，所以在比較小數(shù)點(diǎn)后第二位數(shù)字時(shí)，9.9的小數(shù)點(diǎn)后第二位是0(隱含的)，而9.11的小數(shù)點(diǎn)后第二位是1。因此，9.9的小數(shù)點(diǎn)后第二位數(shù)字(隱含的0)小于9.11的小數(shù)點(diǎn)后第二位數(shù)字(1)，所以9.9小于9.11。

　　為何會(huì)出現(xiàn)有大模型認(rèn)為13.11大于13.8的情況?ChatGPT給出的回答顯示，出現(xiàn)這種情況的原因可能是由于計(jì)算或比較方式的錯(cuò)誤。可能的誤差原因包括：數(shù)值理解錯(cuò)誤，有時(shí)系統(tǒng)可能會(huì)誤解數(shù)字的小數(shù)點(diǎn)位置;字符串比較，如果直接按字符串比較，可能會(huì)出現(xiàn)錯(cuò)誤。因?yàn)樽址容^是按字符順序逐一比較的，而不是按數(shù)值比較;代碼實(shí)現(xiàn)錯(cuò)誤，在編程中，可能存在比較邏輯或轉(zhuǎn)換錯(cuò)誤。

　　文心一言給出的解答則是，訓(xùn)練數(shù)據(jù)偏差、輸入處理與理解、模型幻覺(jué)、推理能力不足等原因。訓(xùn)練數(shù)據(jù)偏差層面，即大模型在訓(xùn)練過(guò)程中，可能接觸到了大量包含數(shù)字的數(shù)據(jù)，但這些數(shù)據(jù)并不總是以比較大小為目的。例如，數(shù)字可能出現(xiàn)在版本號(hào)、股票代碼、基金表現(xiàn)、匯率等上下文中，這些場(chǎng)景下的數(shù)字大小并不總是具有直接的比較意義。如果訓(xùn)練數(shù)據(jù)中存在關(guān)于數(shù)字比較的偏差或不足，模型可能無(wú)法學(xué)習(xí)到正確的比較規(guī)則。

　　另一方面，可能由于大模型在處理輸入文本時(shí)，將數(shù)字視為字符序列，而不是具有數(shù)值意義的實(shí)體。因此，在比較數(shù)字大小時(shí)，模型可能沒(méi)有正確地將其轉(zhuǎn)換為數(shù)值進(jìn)行比較。另外，模型在處理小數(shù)時(shí)可能存在困難，特別是當(dāng)小數(shù)位數(shù)不同時(shí)。模型可能沒(méi)有正確地理解小數(shù)部分的比較規(guī)則。