今年，大型語言模型（LLM）成為 AI 領域關注的焦點。LLM 在各種自然語言處理（NLP）任務上取得了顯著的進展，在推理方面的突破尤其令人驚艷。但在復雜的推理任務上，LLM 的表現仍然欠佳。

那么，LLM 能否判斷出自己的推理存在錯誤？最近，劍橋大學和 Google Research 聯合開展的一項研究發現：LLM 找不到推理錯誤，但卻能使用該研究提出的回溯（backtracking）方法糾正錯誤。

• 論文地址：https://arxiv.org/pdf/2311.08516.pdf
• 數據集地址：https://github.com/WHGTyen/BIG-Bench-Mistake

這篇論文引起了一些爭論，有人提出異議，比如在 Hacker News 上，有人評論這篇論文的標題言過其實，有些標題黨。也有人批評說其中提出的校正邏輯錯誤的方法基于模式匹配，而非采用邏輯方法，這種方法其實容易失敗。

Huang 等人在論文《Large language models cannot self-correct reasoning yet》中指出：自我校正或許是能有效地提升模型輸出的風格和質量，但鮮有證據表明 LLM 有能力在沒有外部反饋的情況下識別和糾正自身的推理和邏輯錯誤。比如 Reflexion 和 RCI 都使用了基本真值的糾正結果作為停止自我校正循環的信號。

劍橋大學和 Google Research 的研究團隊提出了一種新思路：不再把自我校正看作一個單一過程，而是分成錯誤發現和輸出校正兩個過程：

• 錯誤發現是一種基礎推理技能，已經在哲學、心理學和數學領域得到了廣泛的研究和應用，并催生了批判性思維、邏輯和數學謬誤等概念。我們可以合理地認為發現錯誤的能力也應該是 對 LLM 的一項重要要求。但是，本文結果表明：當前最佳的 LLM 目前還無法可靠地發現錯誤。
• 輸出校正涉及部分或完全修改之前生成的輸出。自我校正是指由生成輸出的同一模型來完成校正。盡管 LLM 沒有發現錯誤的能力，但本文表明：如果能提供有關錯誤的信息（如通過一個小型的監督式獎勵模型），LLM 可以使用回溯方法校正輸出。

本文的主要貢獻包括：

• 使用思維鏈 prompt 設計方法，任何任務都可以變成錯誤發現任務。研究者為此收集并發布了一個 CoT 類型的軌跡信息數據集 BIG-Bench Mistake，該數據集由 PaLM 生成，并標注了第一個邏輯錯誤的位置。研究者表示，BIG-Bench Mistake 在它的同類數據集中，是首個不局限于數學問題的數據集。
• 為了測試當前最佳 LLM 的推理能力，研究者基于新數據集對它們進行了基準評測。結果發現，當前 SOTA LLM 也難以發現錯誤，即便是客觀的明確的錯誤。他們猜測：LLM 無法發現錯誤是 LLM 無法自我校正推理錯誤的主要原因，但這方面還有待進一步研究。
• 本文提出使用回溯方法來校正輸出，利用錯誤的位置信息來提升在原始任務上的性能。研究表明這種方法可以校正原本錯誤的輸出，同時對原本正確的輸出影響極小。
• 本文將回溯方法解釋成了「言語強化學習」的一種形式，從而可實現對 CoT 輸出的迭代式提升，而無需任何權重更新。研究者提出，可以通過一個經過訓練的分類器作為獎勵模型來使用回溯，他們也通過實驗證明了在不同獎勵模型準確度下回溯的有效性。

BIG-Bench Mistake數據集

BIG-Bench 由 2186 個 CoT 風格的軌跡信息集合組成。每個軌跡由 PaLM 2-L-Unicorn 生成，并標注了第一個邏輯錯誤的位置。表 1 展示了一個軌跡示例，其中錯誤位于第 4 步。

這些軌跡來自 BIG-Bench 數據集中的 5 個任務：詞排序、跟蹤經過混洗的對象、邏輯推演、多步算術和 Dyck 語言。

他們使用 CoT prompt 設計法來調用 PaLM 2，使其解答每個任務的問題。為了將 CoT 軌跡分成明確的步驟，他們使用了論文《React: Synergizing reasoning and acting in language  models》中提出的方法，分開生成每一步，并使用了換行符作為停止 token。

在該數據集中，生成所有軌跡時，temperature = 0。答案的正確性由精確匹配決定。

基準測試結果 

表 4 報告了 GPT-4-Turbo、GPT-4 和 GPT-3.5-Turbo 在新的錯誤發現數據集上的準確度。

對于每個問題，可能的答案有兩種情況：要么沒有錯誤，要么就有錯誤。如有錯誤，則數值 N 則會指示第一個錯誤出現的步驟。

所有模型都被輸入了同樣的 3 個 prompt。他們使用了三種不同的 prompt 設計方法：

• 直接的軌跡層面的 prompt 設計 
• 直接的步驟層面的 prompt 設計 
• CoT 步驟層面的 prompt 設計

相關討論

研究結果表明，這三個模型都難以應對這個新的錯誤發現數據集。GPT 的表現最好，但其在直接的步驟層面的 prompt 設計上也只能達到 52.87 的總體準確度。

這說明當前最佳的 LLM 難以發現錯誤，即使是在最簡單和明確的案例中。相較之下，人類在沒有特定專業知識時也能發現錯誤，并且具有很高的一致性。

研究者猜測：LLM 無法發現錯誤是 LLM 無法自我校正推理錯誤的主要原因。

prompt 設計方法的比較

研究者發現，從直接軌跡層面的方法到步驟層面的方法再到 CoT 方法，無錯誤的軌跡準確度顯著下降。圖 1 展示了這種權衡。

研究者猜測其原因是模型生成的輸出的數量。這三種方法涉及到生成越來越復雜的輸出：直接的軌跡層面的 prompt 設計方法需要單個 token，直接的步驟層面的 prompt 設計方法每步需要一個 token，CoT 步驟層面的 prompt 設計每步需要多個句子。如果每次生成調用都有一定的概率識別出錯誤，那么對每條軌跡的調用越多，模型識別出至少一個錯誤的可能性就越大。

將錯誤位置作為正確性代理的少樣本 prompt 設計

研究者探究了這些 prompt 設計方法能否可靠地決定一個軌跡的正確性，而不是錯誤位置。

他們計算了平均 F1 分數，依據為模型能否預測軌跡中是否存在錯誤。如果存在錯誤，則假設模型預測的是該軌跡是 incorrect_ans。否則就假設模型預測的是該軌跡是 correct_ans。

使用 correct_ans 和 incorrect_ans 作為正例標簽，并根據每個標簽的出現次數進行加權，研究者計算了平均 F1 分數，結果見表 5。

這個加權 F1 分數表明，對于確定最終答案的正確性而言，通過 prompt 尋找錯誤是一個很糟糕的策略。

回溯

Huang 等人指出 LLM 無法在沒有外部反饋的情況下自我校正邏輯錯誤。但是，在許多真實世界應用中，通常沒有可用的外部反饋。

研究者在這項研究中采用了一種替代方案：用一個在少量數據上訓練的輕量級分類器替代外部反饋。與傳統強化學習中的獎勵模型類似，這個分類器可以檢測 CoT 軌跡中的任何邏輯錯誤，然后再將其反饋給生成器模型以提升輸出。如果想要最大化提升，可以進行多次迭代。

研究者提出了一種簡單的回溯方法，可以根據邏輯錯誤的位置來提升模型的輸出：

• 模型首先生成一個初始的 CoT 軌跡。在實驗中，設置 temperature = 0。
• 然后使用獎勵模型確定軌跡中錯誤的位置。
• 如果沒有錯誤，就轉向下一個軌跡。如果有錯誤，則再次向模型輸入 prompt 以執行相同的步驟，但這一次 temperature = 1，生成 8 個輸出。這里會使用同樣的 prompt 以及包含錯誤步驟之前所有步驟的部分軌跡。
• 在這 8 個輸出中，過濾掉與之前的錯誤一樣的選項。再從剩下的輸出中選擇對數概率最高的一個。
• 最后，用新的重新生成的步驟替換之前步驟，再重新設置 temperature = 0，繼續生成該軌跡的剩余步驟。

相比于之前的自我校正方法，這種回溯方法有諸多優勢：

• 新的回溯方法不需要對答案有預先的知識。相反，它依賴于有關邏輯錯誤的信息（比如來自訓練獎勵模型的信息），這可以使用獎勵模型一步步地確定。邏輯錯誤可能出現在 correct_ans 軌跡中，也可能不出現在 incorrect_ans 軌跡中。 
• 回溯方法不依賴于任何特定的 prompt 文本或措辭，從而可減少相關的偏好。 
• 相比于需要重新生成整個軌跡的方法，回溯方法可以通過復用已知邏輯正確的步驟來降低計算成本。
• 回溯方法可直接提升中間步驟的質量，這可能對需要正確步驟的場景來說很有用（比如生成數學問題的解），同時還能提升可解釋性。

研究者基于 BIG-Bench Mistake 數據集實驗了回溯方法能否幫助 LLM 校正邏輯錯誤。結果見表 6。

?accuracy? 是指在原始答案是 correct_ans 時，在軌跡集合上的 accuracy_ans 之差。

?accuracy? 則是對于 incorrect_ans 軌跡的結果。

這些分數結果表明：校正 incorrect_ans 軌跡的收益大于改變原本正確的答案所造成的損失。此外，盡管隨機基準也獲得了提升，但它們的提升顯著小于使用真正錯誤位置時的提升。注意，在隨機基準中，涉及步驟更少的任務更可能獲得性能提升，因為這樣更可能找到真正錯誤的位置。

為了探索在沒有好的標簽時，需要哪種準確度等級的獎勵模型，他們實驗了通過模擬的獎勵模型使用回溯；這種模擬的獎勵模型的設計目標是產生不同準確度等級的標簽。他們使用 accuracy_RM 表示模擬獎勵模型在指定錯誤位置的準確度。

當給定獎勵模型的 accuracy_RM 為 X% 時，便在 X% 的時間使用來自 BIG-Bench Mistake 的錯誤位置。對于剩余的 (100 ? X)%，就隨機采樣一個錯誤位置。為了模擬典型分類器的行為，會按照與數據集分布相匹配的方式來采樣錯誤位置。研究者也想辦法確保了采樣的錯誤位置與正確位置不匹配。結果見圖 2。

可以看到 ?accuracy? 的損失在 65% 時開始趨于穩定。事實上，對于大多數任務，在 accuracy_RM 大約為 60-70% 時，?accuracy? 就已經大于 ?accuracy? 了。這表明盡管更高的準確度能得到更好的結果，但即便沒有黃金標準的錯誤位置標簽，回溯也依然有效。