GPT-4的圖形推理能力，竟然連人類的一半都不到？

美國圣塔菲研究所的一項(xiàng)研究顯示，GPT-4做圖形推理題的準(zhǔn)確率僅有33%。

而具有多模態(tài)能力的GPT-4v表現(xiàn)更糟糕，只能做對25%的題目。

△虛線表示16項(xiàng)任務(wù)的平均表現(xiàn)

這項(xiàng)實(shí)驗(yàn)結(jié)果發(fā)表后，迅速在YC上引發(fā)了廣泛熱議。

贊同這項(xiàng)結(jié)果的網(wǎng)友表示，GPT確實(shí)不擅長抽象圖形處理，“位置”“旋轉(zhuǎn)”等概念理解起來更加困難。

但另一邊，不少網(wǎng)友對這個結(jié)論也有所質(zhì)疑，簡單說就是：

不能說是錯的，但說完全正確也無法讓人信服。

至于具體的原因，我們繼續(xù)往下看。

GPT-4準(zhǔn)確率僅33%

為了評估人類和GPT-4在這些圖形題上的表現(xiàn)，研究者使用了自家機(jī)構(gòu)于今年5月推出的ConceptARC數(shù)據(jù)集。

ConceptARC中一共包括16個子類的圖形推理題，每類30道，一共480道題目。

這16個子類涵蓋了位置關(guān)系、形狀、操作、比較等多個方面的內(nèi)容。

具體而言，這些題目都是由一個個像素塊組成的，人類和GPT需要根據(jù)給定的示例尋找出規(guī)律，分析出圖像經(jīng)過相同方式處理后的結(jié)果。

作者在論文中具體展示了這16個子類的例題，每類各一道。

結(jié)果451名人類受試者平均正確率，在各子項(xiàng)中均不低于83%，16項(xiàng)任務(wù)再做平均，則達(dá)到了91%。

而GPT-4（單樣本）在“放水”到一道題可以試三次（有一次對就算對）的情況下，準(zhǔn)確率最高不超過60%，平均值只有33%。

早些時(shí)候，這項(xiàng)實(shí)驗(yàn)涉及的ConceptARC Benchmark的作者也做過類似的實(shí)驗(yàn)，不過在GPT-4中進(jìn)行的是零樣本測試，結(jié)果16項(xiàng)任務(wù)的平均準(zhǔn)確率只有19%。

而多模態(tài)的GPT-4v，準(zhǔn)確率反而更低，在一個48道題組成的小規(guī)模ConceptARC數(shù)據(jù)集中，零樣本和單樣本測試的準(zhǔn)確率分別只有25%和23%

而研究者在進(jìn)一步分析了錯誤答案后，發(fā)現(xiàn)人類的有些錯誤看上去很可能是“粗心導(dǎo)致”，而GPT則是完全沒有理解題目中的規(guī)律。

針對這些數(shù)據(jù)，網(wǎng)友們普遍沒什么疑問，但讓這個實(shí)驗(yàn)備受質(zhì)疑的，是招募到的受試人群和給GPT的輸入方式。

受試者選擇方式遭質(zhì)疑

一開始，研究者在亞馬遜的一個眾包平臺上招募受試者。

研究者從數(shù)據(jù)集中抽取了一些簡單題目作為入門測試，受試者需要答對隨機(jī)3道題目中的至少兩道才能進(jìn)入正式測試。

結(jié)果研究人員發(fā)現(xiàn)，入門測試的結(jié)果顯示，有人只是想拿錢，但根本不按要求做題。

迫不得已，研究者將參加測試的門檻上調(diào)到了在平臺上完成過不少于2000個任務(wù)，且通過率要達(dá)到99%。

不過，雖然作者用通過率篩人，但是在具體能力上，除了需要受試者會英語，對圖形等其他專業(yè)能力“沒有特殊要求”。

而為了數(shù)據(jù)的多樣化，研究者在實(shí)驗(yàn)后期又將招募工作轉(zhuǎn)到了另一個眾包平臺，最終 一共有415名受試者參與了實(shí)驗(yàn)。

盡管如此，還是有人質(zhì)疑實(shí)驗(yàn)中的樣本“不夠隨機(jī)”。

還有網(wǎng)友指出，研究者用來招募受試者的亞馬遜眾包平臺上，有大模型在冒充人類。

再來看GPT這邊的操作，多模態(tài)版本比較簡單，直接傳圖然后用這樣的提示詞就可以了：

零樣本測試中，則只要去掉相應(yīng)的EXAMPLE部分。

但對于不帶多模態(tài)的純文本版GPT-4（0613），則需要把圖像轉(zhuǎn)化為格點(diǎn)，用數(shù)字來代替顏色。

針對這種操作，就有人表示不認(rèn)同了：

把圖像轉(zhuǎn)換成數(shù)字矩陣后，概念完全變了，就算是人類，看著用數(shù)字表示的“圖形”，可能也無法理解

One More Thing

無獨(dú)有偶，斯坦福的華人博士生Joy Hsu也用幾何數(shù)據(jù)集測試了GPT-4v對圖形的理解能力。

這個數(shù)據(jù)集發(fā)表于去年，目的是測試大模型對歐氏幾何的理解，GPT-4v開放后，Hsu又用這套數(shù)據(jù)集給它測試了一遍。

結(jié)果發(fā)現(xiàn)，GPT-4v對圖形的理解方式，似乎“和人類完全不同”。

數(shù)據(jù)上，GPT-4v對這些幾何問題的回答也明顯不如人類。