長上下文能力只是吹牛？最強GPT-4o正確率僅55.8%，開源模型不如瞎蒙
大數字一向吸引眼球。
千億參數、萬卡集群，——還有各大廠商一直在卷的超長上下文。
從一開始的幾K幾十K，發展到了如今的百萬token級別。
Gemini的最新版本可以接收200萬個token作為上下文。
這大概相當于140萬個單詞、2小時視頻或者22小時的音頻。
但不知諸位平時用得著這么長的上下文嗎？畢竟100K已經相當于一部比較長的小說了。
更重要的是，LLM真的能在這個長度上進行推理嗎？
近日，有兩篇獨立研究分別表明：長上下文水分很大！LLM實際上并不能「理解」內容。
讀小說挑戰
首先是來自UMass、AI2和普林斯頓的研究人員，推出了一項針對性的測試。
論文地址：https://arxiv.org/pdf/2406.16264
代碼和示例數據：https://github.com/marzenakrp/nocha
當前傳統的長上下文測試手段一般被稱為「大海撈針」（needle-in-a-haystack）：
將一個事實（針）嵌入到大量的上下文信息（干草堆）中，然后測試模型能否找到這根「針」，并回答與之相關的問題。
這種方式基本上衡量的是LLM的檢索能力，有些流于表面。
于是研究人員構建了NoCha（小說挑戰）數據集，讓模型根據所提供的上下文（書籍）驗證聲明的真假。
如下圖所示，由小說的粉絲根據書籍內容，提出關于同一事件或角色敘述的一對相反的聲明。
LLM看完小說后需要分別判斷兩個問題的真假（確保是根據理解做題，打擊在考場上瞎蒙的）。
對于一對問題的回答有四種情況，只有兩個問題全對時才能得一分。
研究人員測試了目前最強的一些長上下文模型（包括閉源和開源），并將成績單貼在墻上，公開處刑：
首當其沖的是GPT-4o，雖然全班第一，但是55.75分。
而開源陣營的成績直接慘不忍睹，表現最好的Command R（simple）只有22.47%的準確率。
——要知道，這考試瞎蒙也能得25分（四選一）。
當然，這也說明人家不是瞎蒙的，確實動腦子了。
視覺上的長上下文
另一篇研究來自UCSB，考察的是視覺大模型（VLM）的長上下文能力。
論文地址：https://arxiv.org/pdf/2406.16851
主要的實驗思路如下圖所示，研究人員通過不斷增加上下文長度（干擾圖片的數量），將現有的VQA基準和簡單圖像識別集 (MNIST) 擴展為測試長上下文「提取推理」的示例。
結果在簡單VQA任務上，VLM的性能呈現出驚人的指數衰減。
——LLM：原形畢露了家人們。
而與實際研究相對的，在今年早些時候，谷歌展示了幾個預先錄制的演示。
讓Gemini 1.5 Pro搜索阿波羅11號登月的電視直播記錄（約402頁），查找包含笑話的引語，以及在電視直播中找到與鉛筆素描相似的場景。
主持這次簡報會的谷歌DeepMind研究副總裁Oriol Vinyals表示，「Gemini 1.5 Pro可以在每一頁、每一個單詞上執行此類推理任務。」
一千零一夜
第一篇工作被作者命名為「One Thousand and One Pairs」（下面這盞燈應該也是這么來的）。
一千零一在這里有兩個含義，首先用于測試的材料基本都是小說，對于大模型來說，算是故事會了；
其次，作者真的花錢請人注釋了剛剛好1001個問題對。
為了保證模型無法依靠自己的知識來作弊，這1001個問題大部分來自于最近出版的虛構敘事類讀物。
數據收集
NoCha數據集包括63本新書（33本于2023年出版，30本于2024年出版）和四本經典小說，書籍的平均長度為127k個token（約98.5k個單詞）。
注釋者首先寫出關于書中事件或人物的真實陳述，然后針對同一對象創建相應的虛假陳述，同時還需要給出一個簡短的解釋，說明為什么這些說法是正確或錯誤的。
為了確保聲明的質量，作者聘請了讀過相同書籍的注釋者，來驗證五本書中的128個聲明，并最終對其中的124個達成了一致。
下面給出參加本次考試的考生信息（開源和閉源兩大陣營）：
以及考試成績：
結果分析
如果按照小說類型劃分，所有六個閉源模型在歷史小說上的準確率為56.4%，當代小說為46.8%，推理小說為38.8%。
對于每個模型來說，都是歷史小說的準確度最高，當代小說次之，推理小說的準確度最低。
從這個結果來看，貌似LLM的推理更多依賴于自身參數中的知識。
接下來做個對比實驗：如果某個主張可以通過書中的一小部分內容來單獨驗證，那么提供本書的其余部分是否會影響其準確性？
上圖顯示了在四個短篇故事集上的模型性能，每兩行為一組，上面一行表示給出整本書（約129k token）時的準確率，下面表示只給出與聲明相關的部分（約21k token）。
Gemini對于添加上下文的表現相對穩健，而Claude-3-Opus的準確度直接下降了44.5%，Claude-3.5-Sonnet、GPT-4-Turbo和GPT-4o的表現也大幅下降。
作者表示，與句子層面的檢索任務相比，模型在驗證需要考慮整本書（或大部分）內容的問題時，顯得力不從心。
另外，書中的一些隱含信息對于人類讀者來說是明確的，但LLM卻無法理解。
大海撈針
另一項研究來自加州大學圣巴巴拉分校（UCSB），作者引入了 LoCoVQA，一種帶有干擾項的長上下文視覺問答 (VQA) 基準生成器。
LoCoVQA可以提供與問題相關的圖像序列，以及一組可配置的視覺干擾項，從而準確評估VLM如何在雜亂的上下文中僅提取與查詢相關的信息。
從原理上講，這也是一項「大海撈針」的任務。
另外，LoCoVQA的方法能夠以任意圖像理解數據集為基礎，創建長上下文圖像理解測試。
生成方法
通過LoCoVQA合成的樣本包含一個或多個與問答對（??、??）相對應的內容圖像??。
內容圖像可以從各種圖像理解基準中采樣，例如OK-VQA、MMStar 、MNIST等。
除了內容圖像之外，每個樣本還包括最多35個干擾圖像（來自相同或者不同的數據集）。
VLM的輸入樣本可以是多個交錯的圖像，也可以是上面這種排列為網格的合成圖像。
單圖像推理任務
OK-VQA（Outside Knowledge Visual Question Answering）是一個單圖像視覺問答數據集，包含5072個問題-答案-圖像三元組。它需要外部知識來超越圖像進行推理。
LoCoVQA生成分布內的長上下文OK-VQA樣本，確保內容圖像不會出現可能使評估復雜化的概念沖突。
實驗使用三個指標對樣本進行評分：精確匹配（如果模型的響應包含任何真實答案作為子字符串，則為滿分）、連續文本生成、和 ROUGE（候選人和推薦人之間）。
為了解決內容干擾沖突問題（視覺上下文中多個相似分布的圖像使QA對模糊），作者實現了一種基于LM的魯棒過濾方法。
對于每個視覺上下文圖像，提示GPT-4列出前五個實體，如果存在重疊，則認為該問題可能含糊不清。
多圖像推理任務
這里使用合成任務構建「序列VQA」數據集，將多個OCR示例作為交錯圖像輸入，要求VLM列出所有文本（OCR規范數據集采用MNIST）。
為了獲得所需的視覺上下文長度，研究人員從大約60K圖像的MNIST訓練集中采樣1到8個隨機顏色的數字，將它們的大小調整到其他上下文圖像最大高度的1/6到1/2之間。
剩余的干擾圖像是從5K個MS COCO的子集中隨機采樣的。VLM的任務是列出序列中存在的所有手寫數字。
通過改變序列中的位數，可以動態調整多圖像干擾OCR任務的難度級別。
上圖展示了9個圖像上下文中包含1、4 和8個數字的示例。僅當存儲的生成數字字符串與基本事實完全匹配時，輸出才被認為是正確的。
實驗
參賽的VLM如下圖所示：
研究人員在LoCoVQA生成的基準上，評估了以上九種視覺語言模型的性能。
上圖結果展示了單圖像LoCoVQA任務中，模型性能如何隨著視覺上下文長度的增加而變化。
上圖為每個任務的模型在上下文長度為1、9和25時的性能，比較了不同模型在各種任務上的相對優勢。
與其他模型相比，PaliGemma在OK-VQA上表現出色，而Mantis在AI2D上表現也很好。這些差異可能是由于訓練任務的變化造成的。
本文轉自 新智元 ，作者：新智元
