「成熟」大模型才能涌现？MIT：GPT-4能自我纠错代码，GPT-3.5却不行

MIT、微软的研究发现，GPT-4能够自我纠正错误代码，GPT-3.5却不行。无独有偶，其他研究也表明，似乎只有「成熟」的大模型才具备涌现能力。背后的原因竟是因为……

我们都知道，大语言模型在生成代码方面，表现出了非凡的能力。然而，在具有挑战性的编程任务（比如竞赛和软件工程师的面试）中，它们却完成得并不好。

好在，很多模型会通过一种自修复工作流来「自省」，来自我纠正代码中的错误。

研究者很希望知道，这些模型在多大程度上能提供正确的反馈，并且说明自己生成的代码为什么是错误的。

近日，MIT和微软的学者发现， 在对GPT-4和GPT-3.5，只有GPT-4表现出了有效的自修复。并且，GPT-4甚至还能对GPT-3.5生成的程序提供反馈。

论文地址：https://arxiv.org/abs/2306.09896

爱丁堡大学博士生符尧表示，自己的团队也发现了类似结果——只有GPT-4能够自我改进，而较弱的模型则不能。

也就是说，只有当模型足够「成熟」（规模大且对齐良好）时，可能存在一种新的「涌现能力」（即在自然语言反馈的基础上改进）。

只有足够「成熟」的模型才能听取并在自然语言反馈的基础上进行改进；较弱的模型要么无法理解反馈，要么无法对其进行改进。

我倾向于相信这种「涌现能力」（通过语言反馈自我改进）将对LLM的发展产生非常重大的影响，因为这意味着AI可以在很少的人工监督下持续不断地进行自主改进。

俄勒冈州立大学杰出教授Thomas G. Dietterich认为，这可能是LLM包含了多个子模型，这些子模型之间可能存在不一致性，而这种情况在更大的模型中更为常见。

「自我改进」是去除这些不一致性的过程。他的预测是，一旦这些不一致性被消除，自我改进将停止。

对此，符尧非常同意：「在上下文学习中使用自我改进，可能会一定程度上推动模型，但进展不会很大；而强化学习可能会推进得更远。之后，模型需要与世界进行交互，通过接受基于实际情境的反馈来进一步改进。」

不过，俄亥俄州立大学工程系杰出助理教授Yu Su则认为，这可能只是因为在指令微调的数据上存在一些无意的差异而已。

对此符尧表示，他在Claude模型上也发现了类似的行为——Claude-instant无法很好地响应语言反馈（因为它很难理解和遵循指令），但Claude可以。

而且，这些观察结果还在多篇相关的论文中出现，不太可能是无意的数据差异。

揭秘用于代码生成的GPT自修复

大语言模型怎样通过自我修复提高性能？这个过程是靠模型的自省，自我纠正代码中的错误。

下图显示了模型自修复方法的典型工作流。

首先，我们会给定一个规范，从一个代码生成模型中给一个程序采样，然后在规范中的一组单元测试上执行这个程序。

如果程序在测试中失败，错误消息会被传送到反馈生成模型，输出一个代码失败原因的解释，然后把反馈传给修复模型。

从表面上看，这个工作流似乎非常完美。它让系统克服了在解码过程中不良样本引起的错误，还模仿了人类软件工程师写代码的试错方法。

然而，工作流有一个问题：自修复需要对模型进行更多的调用，从而增加了计算成本。

而且，研究者们发现了一个很有意思的现象：大模型自修复的有效性不仅取决于模型生成代码的能力，还取决于它对于代码如何在任务中犯错的识别能力。

目前还没有任何工作对此进行详细调查，因此，作者们研究了GPT-3.5和GPT-4在解决竞赛级代码生成任务时的自修复有效性。

他们提出了一种pass@t的新评估策略，在这个策略中，根据从模型中采样的token总数来衡量任务的通过率。

因为使用的是pass@t，而不是传统的pass@k（根据实验数量衡量通过率），这样就能与纯粹基于采样的方法进行公平的比较。

从实验中，研究者发现：

1. GPT-4才能实现自我修复带来的性能提升；对于GPT-3.5，在所有预算下，修复后的通过率要低于或等于基准的无修复方法。

2. 即使对于GPT-4模型，性能提升也最多只能算是适度的（在预算为7000个token的情况下，通过率从66％提高到71％，约等于45个独立同分布的GPT-4样本的成本），并且取决于初始程序的多样性足够丰富。

3. 使用GPT-4生成的反馈替换GPT-3.5对错误的解释，可以获得更好的自修复性能，甚至超过基准的无修复GPT-3.5方法（在7000个token下，从50％提高到54％）。

4. 使用人类程序员提供的解释替换GPT-4自己的解释，可以显著改善修复效果，修复并通过测试的程序数量增加了57%。

实验

研究人员又进一步针对3个问题进行了测试：

1. 对于更加有挑战的编程任务中，这些模型的自我修复是否比不进行修复的i.i.d.有更好的采样？

2. 更强的反馈模型会提高模型的修复性能吗？

3. 如果让人类参与功能最强模型的自我修复循环，提供人工反馈，是否可以解锁更好的修复性能？

首先研究团队引入了一个很有挑战的编程任务：Automated Programming Progress Standard （APPS）数据集中的编程任务。

这个数据集中的任务包括从入门级到大学竞赛级的编程任务，可以用来评估人类程序员解决问题和代码能力。

研究人员选取了300个任务，包括60个入门级别的任务和60个竞赛级别的任务。

研究人员选取了GPT-3.5和GPT-4作为模型，使用模板字符串连接和单次提示词来进行自我修复。

下图为提示词的实例之一。

自修复需要强大的模型和多样化的初始样本。

研究人员让单个模型分别进行代码的修复生成和反馈生成。

在右边的图中，我们沿轴显示了具有两个超参数的热图，其中每个单元格中的值表示平均通过率，当给定相同的token预算（即t的相同值pass@t）时，自我修复由基线的平均通过率归一化。

从图中可以看到，对于GPT-3.5模型，pass@t在所有设置下都低于或等于相应的基线（黑），清楚地表明自我修复对GPT-3.5并不是一种有效的策略。

而在GPT-4（下图）中，有几个值的自修复通过率明显优于基线。

GPT-4反馈改进了GPT3.5的修复结果

研究人员又进一步进行了新的实验，评估使用单独的、更强的模型来生成反馈的效果，目的是为了测试一个假设：由于模型无法内省和调试自己的代码，阻碍了自我修复（比如说对于GPT-3.5）。

这个实验的结果如上图（亮蓝色）所示。

在绝对性能方面，GPT-3.5，GPT-4确实突破了性能障碍，并且比GPT-3.5的i.i.d.采样略微更高效。

这表明文本反馈阶段本身是至关重要的，改进它可以缓解GPT-3.5自修复的瓶颈。

人工反馈显著提高了GPT-4修复的成功率

在最后一项实验中，想要研究在用更强的模型（GPT-4）进行修复时，加入专家人类程序员的反馈的影响。

研究目的是了解模型识别代码中错误的能力与人类的能力相比如何，以及这如何影响自修复的下游性能。

研究人员研究人员招募了16名参与者，包括15名研究生和1名专业机器学习工程师。

每个参与者都有五种不同的基础程序，基于他们的Python经验编写代码。

每个程序都取自不同的任务，参与者永远不会看到属于同一个任务的两个不同的程序。

然后，参与者被要求用他们自己的话解释这个程序做错了什么。

实验结果如下图所示：

研究人员发现，当我们用人类参与者的调试替换GPT-4自己的调试时，总体成功率提高了1.57×以上。

不出意外的是，随着问题变得更难，相对差异也会增加，这表明当任务（和代码）变得更复杂时，GPT-4产生准确和有用反馈的能力远远落后于人类参与者。

作者介绍

Jianfeng Gao

高剑锋是微软的杰出科学家和副总裁，也是IEEE Fellow。

在微软研究院，他是Redmond分部深度学习（DL）组的负责人。该组的使命是推进DL的最新技术，并将其应用于自然语言和图像理解以及构建对话代理。他领导了构建大规模基础模型的研究，这些模型为微软的重要人工智能产品提供了支持。

从2022年开始，他负责自我改进人工智能的研究，其中包括对LLM（如ChatGPT/GPT4）进行增强和适应，以用于商业人工智能系统的开发。

在此之前，他于1999年在上海交通大学获得博士学位。

Chenglong Wang

Chenglong Wang是微软研究院的研究员，此前在华盛顿大学获得了博士学位，并曾就读于北京大学。

符尧的相似发现

论文地址：https://arxiv.org/abs/2305.10142

在这篇论文中，研究人员研究了多个LLM是否能够在谈判博弈中进行自主改进。

如果LLM能够相互进行改进，这将意味着研究人员有可能在最少的人为干预下创建强大的AI代理。

他们让两个LLM分别扮演买方和卖方的角色，目标是与买家达成交易，买家的目标价格应该较低，卖家的目标价格应该较高。

研究人员又找来第三种语言模型，扮演评论家提供反馈，以改进另两个LLM的谈判策略。

研究人员让两个LLM进行了多轮比赛，使用之前的谈判历史和AI反馈作为上下文，迭代地改进模型的谈判策略。

两个LLM分别是GPT和Claude，使用交易价格作为评估指标。

团队发现，只有一小部分可以通过AL反馈进行自我博弈并提高交易价格，较弱的模型要么不理解游戏规则，要么不能纳入AI反馈以进一步改进。

此外，扮演不同角色的模型从反馈中学习的能力不同。例如，Claude-instant作为买方比作为卖方更难提高。

同时，当游戏展开到多个回合时，更强大的代理可以通过有意地使用之前的经验和迭代AI反馈来不断提高自己的表现，但却有更高的破坏交易的风险。

研究人员希望这部分工作能够提供一些初步探索，让模型通过游戏和AI反馈自主地相互改进。

研究人员研究了多个LLM是否可以在协商游戏中以最少的人为干预进行相互改进，就像AlphaGo Zero那样——AI智能体通过在明确定义的规则下，持续进行竞争游戏来提高自己。

这个问题具有深远的意义。如果智能体能够进行自主改进，研究人员就可以在很少的人工注释下创建强大的智能体，大大节省了训练成本。

在风险方面，它还意味着将能创建出具有有限人工监督的强代理。

下图就是Claude和GPT讨价还价的图示：

第一轮先由买卖双方自由发挥，然后AI给出反馈。

之后买卖双方再根据反馈的内容进行新一轮互动。

图B展示了AI可能给出的反馈，以及GPT-4根据反馈如何提升自己。

比如flinch technique，一种砍价的时候的「退缩技巧」，展示出一种意外和失落。

话术就像：哎这可比我想的贵啊。

只有性能强大的AI才能每轮都从反馈中提升，性能较弱的AI做不到这一点。

下图中C1表示可以进行日常交谈的模型，C2表示可以进行角色扮演、讨价还价的模型，C3表示单轮内可以从AI反馈中提升自己的模型，C4则是最强一批——可以持续进行提升的模型。

实验表明，在AlphaGo Zero模式下，在定义明确的规则下，通过迭代AI反馈的持续比赛，某些模型确实可以得到改善。

研究人员还展示了下一轮游戏中，价格改进和成功率之间的权衡，因为更好的交易价格也伴随着更高的风险。

这表明，在未来的研究中，可能会考虑全局优化，以提高多轮的整体收益。

研究人员进一步从迭代AI反馈中展示了语言改进的证据：在多轮游戏中，一个模型可能比另一个模型精炼， 可以更好地调整单词，从而更有效地获得更好的交易。

研究人员相信该结果对AI研究具有深远的影响。

从积极的方面来看，它表明了在最少的人为干预下不断改进语言模型是非常可能的。

而风险方面，在研究人员的框架中监督模型行为可能更具挑战性——因为模型是自主行动的，这需要未来在多智能体游戏环境下进行对齐和安全性研究。

参考资料

https://arxiv.org/abs/2306.09896

https://arxiv.org/abs/2305.10142

本文来自微信公众号“新智元”（ID:AI_era），作者：新智元，36氪经授权发布。