车上乱肉合集乱500小说,五月丁香六月综合激情无码中文 ,一个人看的视频www在线

你的測試集信息在訓練集中泄漏了嗎？

一個參數(shù)量為 13B 的模型竟然打敗了頂流 GPT-4？就像下圖所展示的，并且為了確保結(jié)果的有效性，這項測試還遵循了 OpenAI 的數(shù)據(jù)去污方法，更關(guān)鍵的是沒有發(fā)現(xiàn)數(shù)據(jù)污染的證據(jù)。

如果你細細查看圖中的模型，發(fā)現(xiàn)只要帶有「rephraser」這個單詞，模型性能都比較高。

這背后到底有何貓膩？原來是數(shù)據(jù)污染了，即測試集信息在訓練集中遭到泄漏，而且這種污染還不易被檢測到。盡管這一問題非常關(guān)鍵，但理解和檢測污染仍然是一個開放且具有挑戰(zhàn)性的難題。

現(xiàn)階段，去污最常用的方法是 n-gram 重疊和嵌入相似性搜索：N-gram 重疊依賴于字符串匹配來檢測污染，是 GPT-4、PaLM 和 Llama-2 等模型常用方法；嵌入相似性搜索使用預訓練模型（例如 BERT）的嵌入來查找相似且可能受到污染的示例。

然而，來自 UC 伯克利、上海交通大學的研究表明測試數(shù)據(jù)的簡單變化（例如，改寫、翻譯）就可以輕松繞過現(xiàn)有的檢測方法。他們并將測試用例的此類變體稱為「改寫樣本（Rephrased Samples）」。

下面演示了 MMLU 基準測試中的改寫樣本。結(jié)果證明，如果訓練集中包含此類樣本，13B 模型可以達到極高的性能 (MMLU 85.9)。不幸的是，現(xiàn)有的檢測方法（例如，n-gram 重疊、嵌入相似性）無法檢測到這種污染。比如嵌入相似性方法很難將改寫的問題與同一主題（高中美國歷史）中的其他問題區(qū)分開來。

通過類似的改寫技術(shù)，本文在廣泛使用的編碼和數(shù)學基準測試中觀察到一致的結(jié)果，例如 HumanEval 和 GSM-8K（如文章開頭圖中所示）。因此，能夠檢測此類改寫樣本變得至關(guān)重要。

接下來，我們看看這項研究是如何進行的。

論文地址：https://arxiv.org/pdf/2311.04850.pdf
項目地址：https://github.com/lm-sys/llm-decontaminator#detect

論文介紹

文中表示，大模型（LLM）在快速發(fā)展的同時，關(guān)于測試集污染的問題被越來越多的重視起來，很多人對公共基準的可信度表示擔憂。

為了解決這一問題，有些人采用傳統(tǒng)的去污方法如字符串匹配（例如，n-gram 重疊）來刪除基準數(shù)據(jù)，但這些操作還遠遠不夠，因為對測試數(shù)據(jù)進行一些簡單的更改（例如，改寫、翻譯）就可以輕松繞過這些凈化措施。

更重要的是，如果不消除測試數(shù)據(jù)的這種更改，13B 模型很容易過度擬合測試基準并實現(xiàn)與 GPT-4 相當?shù)男阅?。他們?MMLU、GSK8k 和 HumanEval 等基準測試中驗證了這些觀察結(jié)果。

同時為了解決這些日益增長的風險，本文還提出了一種更為強大的基于 LLM 的去污方法 LLM decontaminator，并將其應用于流行的預訓練和微調(diào)數(shù)據(jù)集，結(jié)果表明，本文提出的 LLM 方法在刪除改寫樣本方面明顯優(yōu)于現(xiàn)有方法。

這一做法也揭露了一些先前未知的測試重疊（test overlap）。例如，在 RedPajamaData-1T 和 StarCoder-Data 等預訓練集中，本文發(fā)現(xiàn) HumanEval 基準有 8-18% 重疊。此外，本文還在 GPT-3.5/4 生成的合成數(shù)據(jù)集中發(fā)現(xiàn)了這種污染，這也說明了在 AI 領(lǐng)域存在潛在的意外污染風險。

本文希望，社區(qū)在使用公共基準時采取更強有力的凈化方法，并呼吁社區(qū)積極開發(fā)新的一次性測試（one-time exams）案例來準確評估模型。

改寫樣本

本文的目標是調(diào)查訓練集中包含測試集的簡單變化是否會影響最終的基準性能，并將測試用例的這種變化稱為「改寫樣本」。實驗中考慮了基準的各個領(lǐng)域，包括數(shù)學、知識和編碼。示例 1 是來自 GSM-8k 的改寫樣本，其中有 10-gram 重疊無法檢測到，修改后和原始文本保持相同的語義。

基準污染具有不同的形式，因此改寫技術(shù)存在一些細微的差異。對于基于文本的基準，本文在不改變語義的情況下改寫測試用例，例如通過重新排列詞序或用同義術(shù)語替換；對于基于代碼的基準測試，本文改變編碼風格、命名方式等。

如下所示，算法 1 中針對給定的測試集提出了一種簡單的算法。該方法可以幫助測試樣本逃避檢測。

接下來本文提出了一種新的污染檢測方法，可以準確地從相對于基準的數(shù)據(jù)集中刪除改寫樣本。

具體而言，本文引入了 LLM decontaminator。首先，對于每個測試用例，它使用嵌入相似度搜索來識別具有最高相似度的 top-k 訓練項，之后通過 LLM（例如 GPT-4）評估每一對是否相同。這種方法有助于確定數(shù)據(jù)集中有多少改寫樣本。

圖 4 展示了不同污染以及不同檢測方法的維恩圖。

實驗

在第 5.1 節(jié)中，實驗證明了在改寫樣本上訓練的模型可以取得顯著的高分，在三個廣泛使用的基準（MMLU、HumanEval 和 GSM-8k）中實現(xiàn)與 GPT-4 相當?shù)男阅?，這表明改寫樣本應被視為污染，應從訓練數(shù)據(jù)中刪除。在第 5.2 節(jié)中，本文根據(jù) MMLU/HumanEval 中改寫樣本評估不同的污染檢測方法。在第 5.3 節(jié)中，本文將 LLM decontaminator 應用于廣泛使用的訓練集并發(fā)現(xiàn)以前未知的污染。

接下來我們看看一些主要結(jié)果。

改寫樣本污染基準

如表 2 所示，在改寫樣本上訓練的 Llama-2 7B 和 13B 在 MMLU 上取得顯著的高分，從 45.3 到 88.5。這表明經(jīng)過改寫的樣本可能會嚴重扭曲基準數(shù)據(jù)，應被視為污染。

本文還對 HumanEval 測試集進行了改寫，并將其翻譯成五種編程語言：C、JavaScript、Rust、Go 和 Java。結(jié)果顯示，在改寫樣本上訓練的 CodeLlama 7B 和 13B 在 HumanEval 上可以取得極高的分數(shù)，分別從 32.9 到 67.7 以及 36.0 到 81.1。相比之下，GPT-4 在 HumanEval 上只能達到 67.0。

下表 4 取得了同樣的效果：

對檢測污染方法的評估

如表 5 所示，除 LLM decontaminator 外，所有其他檢測方法都會引入一些誤報。改寫和翻譯的樣本都不會被 n-gram 重疊檢測到。使用 multi-qa BERT，嵌入相似性搜索被證明對翻譯樣本完全無效。

數(shù)據(jù)集污染情況

表 7 顯示了每個訓練數(shù)據(jù)集中不同基準的數(shù)據(jù)污染百分比。

LLM decontaminator 揭示了 79 個自改寫樣本的實例，占 MATH 測試集的 1.58%。示例 5 是 MATH 訓練數(shù)據(jù)中 MATH 測試的改寫示例。

原文標題：13B模型全方位碾壓GPT-4？這背后有什么貓膩

文章出處：【微信公眾號：智能感知與物聯(lián)網(wǎng)技術(shù)研究所】歡迎添加關(guān)注！文章轉(zhuǎn)載請注明出處。

聲明：本文內(nèi)容及配圖由入駐作者撰寫或者入駐合作網(wǎng)站授權(quán)轉(zhuǎn)載。文章觀點僅代表作者本人，不代表電子發(fā)燒友網(wǎng)立場。文章及其配圖僅供工程師學習之用，如有內(nèi)容侵權(quán)或者其他違規(guī)問題，請聯(lián)系本站處理。舉報投訴