Pine 發自 凹非寺
量子位 | 公眾號 QbitAI
GPT-4再度進化！
加上一個簡單方法，就能讓GPT-4這類大語言模型學會自我反思，性能直接 提升30%。
在此之前，大語言模型回答出錯，經常是二話不說，直接先道歉，然后emmmmmm，繼續亂猜。
現在，它不會這樣了，有了新方法的加成，GPT-4不僅會反思自己哪里錯了，還會給出改進策略。
比如說它會自動分析為什么“陷入循環”：
或者說反思一下自己有缺陷的搜索策略：
這是美國東北大學聯合MIT發表的最新論文中的方法： Reflexion。
不僅適用于GPT-4，也適用于其他大語言模型，讓它們學會人類特有的反思能力。
目前該論文已經發表在預印平臺arxiv上。
這把直接讓網友直呼“AI進化的速度已經超過我們適應的能力了，我們要被毀滅了。”
甚至有網友為開發人員發來“飯碗警告”：
用這種方法寫代碼的時薪是要比普通開發人員便宜的。
利用二元獎勵機制實現反思
正如網友所言，Reflexion賦予GPT-4的反思能力和人類的思考過程差不多：
可以簡單用兩個字來概括： 反饋。
在這個反饋過程中，又可以分為三大步：
- 1、評估：測試當前生成答案的準確性
- 3、執行一個迭代反饋循環
在第一步評估的過程中，首先要經歷的是LLM （大語言模型）的 自我評估。
也就是說LLM在還沒有外部反饋時，首先要自己對答案進行反思。
那如何進行自我反思？
研究團隊使用了一個 二元獎勵機制，為LLM在當前狀態下執行的操作賦值：
1代表生成的結果OK，0則表示生成的結果不太行。
而之所以采用 二元而非多值或連續輸出這類更具描述性的獎勵機制，原因和沒有外部輸入有關。
要在沒有外部反饋的條件下進行自我反思，必須將答案限制在二元狀態下，只有這樣，才能迫使LLM做出有意義的推斷。
在自我評估結束之后，如果二元獎勵機制輸出為1，則不啟動自我反思裝置，若為0，LLM則會開啟反思模式。
在反思的過程中，模型會觸發一個啟發性函數h （如下），類比人類思考過程，h起到的作用就像是 監督一樣。
不過，同人類思考一樣，LLM在反思的過程中同樣也有局限性，這在函數中的Ω和ε中就能體現。
Ω表示重復連續動作的次數，一般會將這個數值設置為3，這表示反思過程中若重復一個步驟三次，會直接跳到下一個步驟。
而ε則表示在反思的過程中允許執行的最大操作數量。
既然有監督，那 修正也必須執行，修正過程的函數是這樣子的：
其中，自我反思模型是通過“特定領域的 失敗軌跡和理想反射對”訓練而來的，并不允許訪問數據集中給定問題的特定領域的解決方案。
這樣一來，LLM在反思的過程中便能夠迸發出更多有“創新性”的東西。
反思之后性能提升近30%
既然GPT-4這類LLM都能夠進行自我反思了，那具體效果究竟如何？
研究團隊在ALFWorld和HotpotQA基準上對這種方法進行了評估。
在HotpotQA的100個問答對測試中，使用Reflexion這種方法的LLM顯示出了巨大的優勢，再經過多輪反思重復提問之后，LLM的性能提升了接近30%。
而沒有使用Reflexion，在重復問答之后，性能沒有任何變化。
在HotpotQA的134個問答對測試中，可以看出在Reflexion的加持下，LLM經過多輪反思后，準確率一度達到97%。
在另外一篇博客中，團隊成員也曬出了他們這種方法在GPT-4上的效果，測試范圍是編寫代碼。
結果也顯而易見，用了Reflexion，GPT-4的編程能力直接提升了21%。
關于GPT-4已經會“思考”了，你怎 （huang）么 （le）看 （ma）？
論文地址：
https://arxiv.org/abs/2303.11366
參考鏈接：
[1] https://nanothoughts.substack.com/p/reflecting-on-reflexion
[2] https://www.reddit.com/r/machineLearning/comments/1215dbl/r_reflexion_an_autonomous_agent_with_dynamic/
— 完—
