紐約大學(xué)研究表明：大模型并沒有利用思維鏈的推理能力，它只是加了計算！

思維鏈技術(shù)，可能要被推翻了！來自紐約大學(xué)的最新研究表明：大模型并沒有利用思維鏈的推理能力，它只是偷偷加了計算！

還在苦于不會寫思維鏈提示詞？

來自紐約大學(xué)的研究人員表示：「沒關(guān)系的，都一樣」，

推理步驟不重要，不想寫提示詞也可以不寫，用省略號代替就行了。

https://arxiv.org/pdf/2404.15758

這篇文章的標(biāo)題甚至直接用「Let’s think dot by dot」，來對標(biāo)思維鏈的「Let’s think step by step」，展現(xiàn)了「省略號」的威力。

「點點點」的威力

研究人員發(fā)現(xiàn)，把思維鏈（Chain-of-Thought，CoT）推理中的具體步驟，替換成毫無意義的「...」，產(chǎn)生的推理結(jié)果也大差不差。

比如下面這個例子：讓模型數(shù)一下前6個數(shù)里面有幾個大于5。

如果直接拋出問題讓模型回答，結(jié)果會比較逆天：6個數(shù)數(shù)出來7個。

相比之下，使用思維鏈提示，模型會一步步比較大小，最終得到正確答案：「2<5，7>5，1<5，8>5，2<5，8>5，that's 3 digits」。

但更逆天的是本文使用的「玄學(xué)」方法：步驟不用寫了，只需要輸出同樣數(shù)量的「點」（dot），居然也不影響最后的結(jié)果。

——這并不是巧合，大量實驗證明了，后面兩種方法的性能接近。

也就是說，我們以為的模型性能提升是來自于「think step by step」，但實際上可能只是因為LLM拿到了更多個token的算力！

你以為模型是在思考，但其實是在燒烤。

——愚蠢的人類啊，居然妄圖用幼稚的例子教我如何推理，你可知我要的從來都只是計算。

「思維鏈從來就沒有存在過，將來也不會存在」（狗頭）。

文章的作者Jacob Pfau表示，這篇工作證明了，模型并不是受益于思維鏈帶來的語言推理，使用重復(fù)的「...」填充token可以達(dá)到跟CoT同樣的效果。

當(dāng)然，這也引發(fā)了對齊問題：因為這個事實表明，模型可以進(jìn)行CoT中不可見的隱藏推理，在一定程度上脫離了人類的控制。

文章的結(jié)論可以說是顛覆了我們長久以來的認(rèn)知，有網(wǎng)友表示：學(xué)到了mask的精髓。

「這究竟意味著什么：模型可以在我們不知情的情況下使用這些token獨立思考?！?/span>

有網(wǎng)友表示，怪不得我打字總是喜歡用「...」

還有網(wǎng)友直接開始實戰(zhàn)測試：

雖然咱也不知道他的理解對不對~

不過也有網(wǎng)友認(rèn)為LLM在思維鏈中進(jìn)行隱藏推理是沒有根據(jù)的，畢竟大模型的輸出從原理上來說是基于概率的，而不是通過有意識的思考。

CoT提示只是將統(tǒng)計模式的一個子集顯式化，模型通過生成與模式一致的文本來模擬推理，但它們不具備驗證或反思其輸出的能力。

Think dot by dot

面對復(fù)雜問題，我們?nèi)祟愒跐撘庾R里會進(jìn)行分步驟的推理。

由此啟發(fā)，谷歌的研究人員在2022年發(fā)表了大名鼎鼎的Chain-of-Thought。

要求語言模型分步解決問題的方法，使模型能夠解決以前似乎無法解決的問題，顯著提高了LLM的性能，或者說挖掘出了LLM的潛力。

https://arxiv.org/pdf/2201.11903

雖然一開始大家也不知道這玩意為啥能work，但是因為確實好用，便很快被廣泛傳播。

隨著大模型和提示詞工程的起飛，CoT成了LLM解決復(fù)雜問題的一大利器。

當(dāng)然了，在這個過程中也有很多研究團(tuán)隊在探索CoT的工作原理。

思維鏈帶來的性能提升，究竟是模型真的學(xué)會了分步驟解決問題，還是僅僅因為更長的token數(shù)所帶來的額外計算量？

既然不確定邏輯推理起不起作用，那就干脆不要邏輯，把推理步驟都換成一定沒用的「...」，這里稱為填充（filler）tokens。

研究人員使用了一個「小羊駝」模型：具有4層、384個隱藏維度和6個注意力頭的34M參數(shù)Llama，模型參數(shù)隨機(jī)初始化。

這里考慮兩個問題：

（1）哪些類型的評估數(shù)據(jù)可以從填充token中受益

（2）需要什么樣的訓(xùn)練數(shù)據(jù)來教模型使用填充token

對此，研究人員設(shè)計了2個任務(wù)并構(gòu)建了相應(yīng)的合成數(shù)據(jù)集，每個數(shù)據(jù)集都突出了一個不同的條件，在該條件下，填充token能夠為Transformer提供性能改進(jìn)。

3SUM

先看第一個比較難的任務(wù)：3SUM。要求模型在序列中挑選滿足條件的3個數(shù)，比如3個數(shù)的和除以10余數(shù)為0。

在最壞的情況下，這個任務(wù)的復(fù)雜度是N的3次方，而Transformer層與層之間的計算復(fù)雜度是N的二次方，

所以，當(dāng)輸入序列長度很大的時候，3SUM問題自然會超出Transformer的表達(dá)能力。

實驗設(shè)置了三組對照：

1. 填充token：序列使用重復(fù)的「. . .」作為中間填充，例如「A05

B75 C22 D13 : . . . . . . . . . . . . ANS True」。

每個點代表一個單獨的token，與下面的思維鏈中的token一一對應(yīng)。

2. 可并行化的CoT解決方案，序列的形式為：「A05 B75 C22 D13 : AB 70 AC 27 AD 18 BC 97 BD 88 CD B ANS True」。

思維鏈通過編寫所有相關(guān)的中間求和，將3SUM問題簡化為一系列2SUM問題（如下圖所示）。這種方法將問題的計算量降低到了N的2次方——Transformer可以搞定，而且可以并行。

3. 自適應(yīng)CoT解決方案，序列的形式為：「A15 B75 C22 D13 : A B C 15 75 22 2 B C D 75 22 13 0 ANS True」。

與上面方案中，將3SUM巧妙地分解為可并行化的子問題不同，這里希望使用啟發(fā)式方法來產(chǎn)生靈活的思維鏈，以模仿人類的推理。這種實例自適應(yīng)計算，與填充token計算的并行結(jié)構(gòu)不兼容。

從上圖的結(jié)果可以看出，不輸出填充token的情況下，模型的準(zhǔn)確率總體上隨著序列變長而下降，而使用填充token時，準(zhǔn)確率一直保持在100%。

2SUM-Transform

第二個任務(wù)是2SUM-Transform，只需要判斷兩個數(shù)字的和是否滿足要求，計算量在Transformer的掌控之中。

不過為了防止模型「作弊」，對輸入token就地計算，這里將輸入的每個數(shù)字移動一個隨機(jī)偏移量。

結(jié)果如上表所示：filler token方法的精度達(dá)到了93.6%，非常接近于Chain-of-Thought，而不使用中間填充的情況下，精度只有78.7%。

但是，這種改進(jìn)是否只是由于訓(xùn)練數(shù)據(jù)呈現(xiàn)的差異，例如通過正則化損失梯度？

為了驗證填充token是否帶來了與最終預(yù)測相關(guān)的隱藏計算，研究人員凍結(jié)了模型權(quán)重，僅微調(diào)最后一層注意力層。

上面的結(jié)果表明，隨著可用的填充token增多，模型的準(zhǔn)確性也不斷提高，這表明填充token確實正在執(zhí)行與3SUM預(yù)測任務(wù)相關(guān)的隱藏計算。

雖然填充token的方法很玄學(xué)、很神奇，甚至還很有效，但要說思維鏈被干翻了還為時尚早。

作者也表示，填充token的方法并沒有突破Transformer的計算復(fù)雜度上限。

而且學(xué)習(xí)利用填充token是需要特定訓(xùn)練過程的，比如文中采用密集監(jiān)督才能使模型最終收斂。

不過，一些問題可能已經(jīng)浮出水面，比如隱藏的安全問題，比如提示詞工程會不會突然有一天就不存在了？

來源：新智元