符尧等｜思想链中心：持续努力衡量大型语言模型的推理性能

?智源社区日报关注订阅?

Chain-of-Thought Hub: A Continuous Effort to Measure Large Language Models’ Reasoning Performance

Yao Fu, Litu Ou, Mingyu Chen, Yuhao Wan, Hao Peng, Tushar Khot

来自爱丁堡大学、华盛顿大学、艾伦人工智能研究所、滑铁卢大学

随着大型语言模型（LLM）的不断发展，它们的评估变得越来越重要，但又具有挑战性。这项工作提出了Chain-of-Thought Hub，这是一个关于大型语言模型多步推理能力的开源评估套件。

我们之所以对这种设置感兴趣，有两个原因：

（1）从GPT和PaLM模型家族的行为中，我们观察到复杂的推理可能是较弱和更强的LLM之间的关键区别；（2）我们设想大型语言模型将成为下一代计算平台，并培养基于LLM的新应用程序的生态系统，这自然需要基础模型执行复杂的任务，这些任务通常涉及语言和逻辑操作的组成。我们的方法是编制一套具有挑战性的推理基准，以跟踪LLM的进展。

我们目前的结果表明：

（1）模型规模与推理能力明确相关；（2）截至2023年5月，Claude-v1.3和PaLM-2是唯一两个与GPT-4相当的模型，而开源模型仍然落后；（3）LLA-65B的表现与code-davinci-002密切相关，这表明随着从人类反馈（RLHF）中进行强化学习等成功的进一步发展，它有很大的潜力接近GPT-3.5-Turbo。我们的结果还表明，为了赶上开源的努力，社区可能会更专注于构建更好的基础模型和探索RLHF。

论文地址：https://arxiv.org/abs/2305.17306