模型测试是什么「大模型测试题爆火，GPT-4和Claude3都跪了，LeCun转发：新Benchmark」

声明:本文来自于微信公众号 量子位 （ID:QbitAI），作者:鱼羊 栗子 ，授权转载发布。

一项新的“大模型Benchmark”在推特上爆火，LeCun也点赞转发了!

而且无论是GPT-4还是Claude3，面对它都如同被夺了魂，无法给出正确答案。

难倒一众大模型的，是逻辑学当中经典的“动物过河”问题，有网友发现，大模型对此类问题表现得很不擅长。

甚至有人观察到，几个不同的模型都给出了一致的（错误）答案，让人怀疑他们是不是用了相同的训练数据。

针对这项测试，网友还定义了一个新的名词叫“劣效比率”（crapness ratio），让LeCun打趣说到，一项新的“Benchmark”诞生了。

“模见模愁”的动物过河

首先来看一下什么是“动物过河”问题，这是逻辑学当中的一道经典题目。

问题的原型是这样的:

农夫需要把狼、羊和白菜都带过河，但每次只能带一样物品，而且狼和羊不能单独相处，羊和白菜也不能单独相处，问农夫该如何过河。

在这个问题当中，农夫需要七次（往返视为两次）过河——先把羊运过去，然后空船返回，再把狼运过河，带回羊，然后运送白菜，再空船返回，最后运送羊。

而劣效比率的定义，就是模型给出的运送次数与实际最少所需次数的比值。

当然在测试中，网友使用的问题经过了改编，结果发现，当题目变成一共有两只鸡，一次可以运两只的时候，GPT-4依然在一本正经地胡乱分析，最后信誓旦旦地回答是五次。

所以在这种情境下，“劣效比率”就是5。

Claude这边的情况要更离谱一些，明明只有一只羊要送，它却硬生生说要运三次。

还有网友发现了华点，把题面改成从东岸运到东岸，也就是根本不需要运送，模型不以为然，依旧我行我素地筹划着运送方案。

这下只要模型没识破陷阱，随便说一个数“劣效比率”都会直接变成无穷大。

哪怕问得更直白一些，直接说不需要过河，模型依然会直接开算。

所以，这个“劣效比率”更多像是一种玩笑，不太能比较出各模型的能力，或者说离谱程度。

有网友分析，这种现象可能并不意味着大模型推理能力的缺乏，实际上它揭示了训练数据对大模型输出的影响。

但另一方面，无论问题是否出自推理本身，至少说明了当前的大模型还不是优质的推理工具。

那么，这究竟是个别现象，还是模型的通病?我们选择了更多的模型进行了测试。

12款模型全军覆没

针对这个“Benchmark”，也如法炮制，测了测国产大模型的表现，参赛的选手有文心一言、通义千问等12款大模型。

测试的过程和网友展示的方法相似，Prompt中只描述问题，不添加额外的提示词。

对每个大模型，我们都准备了下面这三道题目:

首先进行一下说明:

1、农夫不被计入运送物品的数量限制

2、题目中“独处”的标准是，只要有人或其他物品在场，就不属于独处

3、往返过程视为两次过河

以上几点在Prompt中均有指出。

问题一（正常提问）:

一个农夫需要将狼、羊、狐狸、鸡和米五种物品运送过河，每次只能带两件，且狼和羊/狐狸和鸡/鸡和米不能单独相处，每次运送时农夫必须在船上，最少需要过河几次?

（答案:五次，只要第一次运到对岸的两个物品可以独处即可。）

问题二（一步到位）:

一个农夫需要将狼、羊、狐狸、鸡和米五种物品运送过河，每次只能带五件，且狼和羊/狐狸和鸡/鸡和米不能单独相处，每次运送时农夫必须在船上，最少需要过河几次?

问题三（陷阱问题）:

一个农夫不需要将狼、羊、狐狸、鸡和米五种物品运送过河，每次只能带两件，且狼和羊/狐狸和鸡/鸡和米不能单独相处，每次运送时农夫必须在船上，最少需要过河几次?

结果可以说是全军覆没，首先用一张表格来整体看下各大模型的表现。

第一个问题，各有各的错法，相同的错误类型，这里每种只列举一个例子。

比如文心一言，前面说得没什么问题，但最后把狐狸带回原来的岸边后忘了再带过去，最终没有完成任务:

还有讯飞星火这种运着运着，某样东西自动就跑到了对岸的情况:

以上的两种错误比较典型，当然，还有最有意思的错误来自跃问——

因为狼和羊不能“独处”，所以它们需要在一起。

这波属实是把人给整不会了，不过整场测试中，除了这个把“独处”理解错的情况之外，倒是都没有出现让不能独处的动物单独在一起的现象。

当然也有表现好一些的，比如腾讯元宝的方案已经接近可行，只是最后两步纯属多余，而且实际上此时已经无物可运。

表现最好的是通义千问，给出的方案虽然麻烦，但是找不出什么错误。

值得注意的是，很多模型给出的方案都会把羊运送过去，然后运一只鸡再把羊运回来，不知道为什么不直接运鸡。

另外值得一提的是，我们在Prompt中虽未提及，但基本上接受测试的模型都不约而同地运用到了思维链方式，一方面说明了模型确实会使用推理技巧，但另一方面也说明思维链的作用是有限的。

而至于后面两个问题，错法就比较统一了——根本没关注到数量限制的变化，更没看到“不需要”里的“不”，和前面GPT的错法也是如出一辙。

也就是说，通过这些测试，我们确实无法得知模型有没有相应的推理能力，因为模型根本就没仔细读题。

或许这也是在第一题中，多数模型，哪怕给出了可行的方案，仍然一次只运送一件物品而不是两件的原因。

所以，前面网友针对训练数据和输出关系的分析，可能不无道理。

参考链接:

[1]https://x.com/wtgowers/status/1804565549789135256

[2]https://x.com/ylecun/status/1804641976249417882

—完—