1、AI模型升級(jí)有妙招！"廢物利用"讓大語(yǔ)言模型更強(qiáng)大

想象一下，如果能把你的舊手機(jī)變成最新的智能設(shè)備，是不是很酷？在AI領(lǐng)域，研究人員就實(shí)現(xiàn)了類(lèi)似的"魔法"！他們提出了一種叫做"upcycling"的方法，可以將現(xiàn)有的大語(yǔ)言模型（LLM）升級(jí)成更強(qiáng)大的"專(zhuān)家混合模型"（MoE）。這項(xiàng)技術(shù)不僅能提高模型性能，還能大幅節(jié)省訓(xùn)練成本和時(shí)間。    

那么，這種"升級(jí)魔法"是如何實(shí)現(xiàn)的呢？研究團(tuán)隊(duì)進(jìn)行了大量實(shí)驗(yàn)，探索了各種升級(jí)技巧和參數(shù)設(shè)置。他們發(fā)現(xiàn)，通過(guò)精心設(shè)計(jì)的訓(xùn)練方案、新穎的"虛擬分組"初始化方法，以及巧妙的權(quán)重縮放策略，可以讓升級(jí)后的模型性能顯著提升。更令人興奮的是，他們還發(fā)現(xiàn)了一種新的"專(zhuān)家路由"方法，讓模型在處理信息時(shí)更加高效。

為了證明這種升級(jí)方法的威力，研究人員對(duì)Nemotron-4 15B模型進(jìn)行了升級(jí)實(shí)驗(yàn)。結(jié)果令人驚喜：在相同的訓(xùn)練數(shù)據(jù)量下，升級(jí)后的模型在MMLU測(cè)試中的得分從65.3%提升到了67.6%。這意味著，通過(guò)"upcycling"，我們可以讓現(xiàn)有的AI模型變得更聰明、更高效，而無(wú)需從頭開(kāi)始訓(xùn)練新模型。    

這項(xiàng)研究不僅為AI領(lǐng)域帶來(lái)了新的發(fā)展方向，也為我們提供了一種全新的思路：如何更好地利用和提升現(xiàn)有資源。在未來(lái)，我們可能會(huì)看到更多的AI模型通過(guò)這種"升級(jí)魔法"變得更加強(qiáng)大，為各行各業(yè)帶來(lái)更智能、更高效的解決方案。AI的未來(lái)，也許就藏在這種創(chuàng)新的"廢物利用"中！

論文標(biāo)題：Upcycling Large Language Models into Mixture of Experts

論文鏈接：??https://arxiv.org/abs/2410.07524??

2、AI數(shù)學(xué)天才還是數(shù)字騙子？GSM-Symbolic揭秘大語(yǔ)言模型的數(shù)學(xué)推理能力

你可能聽(tīng)說(shuō)過(guò)AI在數(shù)學(xué)測(cè)試中表現(xiàn)驚人，但它們真的懂?dāng)?shù)學(xué)嗎？最新研究GSM-Symbolic給出了令人深思的答案。研究團(tuán)隊(duì)通過(guò)創(chuàng)新的符號(hào)化模板，生成了大量變體問(wèn)題，深入探究了大語(yǔ)言模型（LLMs）的數(shù)學(xué)推理能力。結(jié)果揭示，這些AI"數(shù)學(xué)天才"可能并不如我們想象的那么聰明！    

研究發(fā)現(xiàn)，當(dāng)面對(duì)GSM-Symbolic生成的新問(wèn)題時(shí)，所有模型的表現(xiàn)都出現(xiàn)了下滑。這不禁讓人懷疑，之前在GSM8K測(cè)試中的高分是否只是數(shù)據(jù)污染導(dǎo)致的"假象"？更有趣的是，AI們對(duì)人名等表面變化還算"淡定"，但一旦數(shù)字發(fā)生變化，它們就會(huì)變得"手足無(wú)措"。隨著問(wèn)題復(fù)雜度增加，AI的表現(xiàn)更是每況愈下，暴露出其推理能力的局限性。    

最令人驚訝的是GSM-NoOp實(shí)驗(yàn)。研究者只是在問(wèn)題中添加了一些看似相關(guān)但實(shí)際無(wú)關(guān)的信息，結(jié)果AI的表現(xiàn)就大幅下滑，最高降幅竟達(dá)65%！這說(shuō)明AI在分辨關(guān)鍵信息方面還很"幼稚"，其所謂的"推理"可能更像是一種模式匹配，而非真正的邏輯思考。即便給AI多個(gè)相似例子，它們?nèi)匀浑y以克服這一挑戰(zhàn)，暴露出其推理過(guò)程中的深層問(wèn)題。

這項(xiàng)研究不僅揭示了當(dāng)前AI在數(shù)學(xué)推理方面的局限性，也為我們提供了一個(gè)全新的視角來(lái)評(píng)估和改進(jìn)AI系統(tǒng)。它提醒我們，在為AI的"聰明"歡呼之前，我們還需要更深入、更全面的評(píng)估方法。未來(lái)，如何讓AI真正掌握邏輯推理能力，而不是僅僅依賴(lài)表面模式匹配，將成為AI研究的一個(gè)重要方向。AI的數(shù)學(xué)之路，似乎還有很長(zhǎng)的路要走！    

論文標(biāo)題：GSM-Symbolic: Understanding the Limitations of Mathematical Reasoning in Large Language Models

論文鏈接：??https://arxiv.org/abs/2410.05229??

本文轉(zhuǎn)載自 ??AI帝國(guó)??，作者： 無(wú)影寺