【資料圖】

新智元報道

編輯：編輯部

【新智元導(dǎo)讀】「地表最強(qiáng)」GPT-4在推理問題中接連出錯！MIT校友，以及UCLA華人一作的最新研究引眾多網(wǎng)友圍觀。

GPT-4根本不會推理！

近來，有兩篇研究稱，GPT-4在推理方面表現(xiàn)不盡人意。

來自MIT的校友Konstantine Arkoudas，在21種不同類型推理集中，對GPT-4進(jìn)行了評估。

然后，對GPT-4在這些問題上的表現(xiàn)進(jìn)行了詳細(xì)的定性分析。

研究發(fā)現(xiàn)，GPT-4偶爾會展現(xiàn)出「最強(qiáng)大腦」的天賦，但目前來看，GPT-4完全不具備推理能力。

論文地址：https://www.preprints.org/manuscript/202308.0148/v2

研究一出，引來眾多網(wǎng)友圍觀。

馬庫斯表示，「如果這是真的——正如我早就說過的那樣——我們離AGI還差得遠(yuǎn)呢。我們可能需要進(jìn)行大量的重新校準(zhǔn)：沒有推理就不可能有 AGI」。

而另一篇來自UCLA和華盛頓大學(xué)的研究也發(fā)現(xiàn)，GPT-4，以及GPT-3.5在大學(xué)的數(shù)學(xué)、物理、化學(xué)任務(wù)的推理上，表現(xiàn)不佳。

論文地址：https://arxiv.org/pdf/2307.10635.pdf

研究人員引入了一個大學(xué)科學(xué)問題解決基礎(chǔ)SCIBENCH，其中包含2個數(shù)據(jù)集：開放數(shù)據(jù)集，以及封閉數(shù)據(jù)集。

通過對GPT-4和GPT-3.5采用不同提示策略進(jìn)行深入研究，結(jié)果顯示，GPT-4成績平均總分僅為35.8%。

這項(xiàng)研究同樣再次引起馬庫斯的關(guān)注：

關(guān)于數(shù)學(xué)、化學(xué)和物理推理的系統(tǒng)調(diào)查，結(jié)果顯示，目前的LLM無法提供令人滿意的性能......沒有一種提示策略明顯優(yōu)于其他策略。

下面我們就來具體看看，GPT-4如何在21個問題集，數(shù)學(xué)、物理、化學(xué)上推理慘敗的。

21個問題集，GPT-4全翻車

不過，在看GPT-4回答問題之前，作者給出了一個注意事項(xiàng)：

GPT-4是一個非確定性系統(tǒng)，即使參數(shù)設(shè)置相同，在不同的運(yùn)行中也可能產(chǎn)生不同的答案。

而以下的測試交流都是逐字記錄的，根據(jù)作者的經(jīng)驗(yàn)，文中討論的GPT-4出錯的地方往往具有魯棒性。

1.簡單算術(shù)

能夠進(jìn)行基本運(yùn)算，是推理的必要條件。

但是，GPT-4仍然無法可靠地執(zhí)行加法、乘法等基本算術(shù)運(yùn)算。

比如，讓GPT-4在1381和1453之間隨機(jī)選擇兩個數(shù)字相乘，并給出結(jié)果。

GPT-4選擇了1405，以及1421，但是最后給出的結(jié)果顯然是錯的。因?yàn)?405×1421=1996505。

2.簡單計數(shù)

雖然具體計數(shù)并不一定是一種推理活動 ，但它肯定是任何具有一般能力推理系統(tǒng)的必備條件。

在這里，給GPT-4一個命題變量，并在它前面加上27個否定符號，要求它計算否定符號的個數(shù)。

對于我們來講，這簡直輕而易舉，尤其是否定符號是間隔5個寫成的，并且有5組，最后一對否定符號緊隨其后。

然而，GPT-4卻給出了「28個」答案。

3.（醫(yī)學(xué)）常識

當(dāng)前，我們可以將常識性論證視為，從給定信息加上未說明的條件（默認(rèn)的、普遍接受的背景知識）中得出的簡單推理。

在這種特殊情況下，常識性知識就是「人在死前是活著的，死后就不會再活著」這樣的命題。

比如，當(dāng)你問GPT-4：Mable上午9點(diǎn)的心率為75 bpm，下午7點(diǎn)的血壓為120/80。她于晚上11點(diǎn)死亡。她中午還活著嗎？

GPT-4竟回答：根據(jù)所提供的信息，無法確定Mable中午是否還活著。

但明顯根據(jù)給定的信息，常識性推斷（不用想）直接得出結(jié)論了。

4.初級邏輯

如果P(x)包含Q(x)，而Q(a)不成立，那么我們就可以根據(jù)模型推論出P(a)也不成立（因?yàn)槿绻鸓(a)成立，那么Q(a)也會成立）。

這是一個最基本的同義反復(fù)，但GPT-4卻完全提出一個反模型：

值得注意的是，GPT-4認(rèn)識到，P(x)實(shí)際上并不包含Q(x)，并提出了x有可能是負(fù)數(shù)偶數(shù)，「不排除存在其他給定條件的模型」。

其實(shí)不然，一個反模型（countermodel）必須滿足所有給定的條件，同時證偽結(jié)論。

此外，僅僅幾句話之后， GPT-4就聲稱P(x)在給定的解釋下確實(shí)蘊(yùn)含Q(x)，這與它自己之前的說法相矛盾。

說明， GPT-4還會出現(xiàn)內(nèi)部不一致的問題。

5.簡單量詞語義

請看下面三個句子：

1. [forall x . P(x) ==> Q(x)]

2. [exists x . P(x)]

3. [exists x . ～ Q(x)]

請證偽或證明以下主張：這三個句子是共同可滿足的。

顯然，這三個句子都是共同可滿足的，一個簡單的模型是具有P(a1)、Q(a1)、?P(a2) 和 ?Q(a2)的域{a1, a2}，然而GPT-4得出的結(jié)論確與之相反。

6. 簡單圖著色

首先考慮一個沒有解決方案的圖著色問題。

不難發(fā)現(xiàn)，對于這個問題中描述的圖形，兩種顏色是不足以滿足問題中描述的圖（例如，頂點(diǎn)0、2和4形成了一個簇，因此至少需要3種顏色）。

在這個簡短的輸出中，出現(xiàn)大量驚嚇下巴的錯誤。

GPT-4一開始就謊稱圖形是完全的（顯然不是，例如頂點(diǎn)2和3之間沒有邊）。

此外，顯而易見的是，如果圖形真是完全的，那么就不可能用2種顏色來著色，因?yàn)橐粋€有6個頂點(diǎn)的完全圖形至少需要6種顏色。

換句話說，GPT-4的說法不僅是錯誤的，而且是前后矛盾的：一會兒告訴我們（錯誤）這6頂點(diǎn)圖形是完全的，這意味著不可能用2種顏色給它著色，一會兒又提供了一種雙色「解決方案」。

值得注意的是，GPT-4之所以表現(xiàn)如此糟糕，并不是因?yàn)樗鼪]有掌握足夠的圖形知識或數(shù)據(jù)。

當(dāng)研究人員要求GPT-4對「完全圖」的了解時，它滔滔不絕地說出了「完全圖」的正確定義，以及一長串關(guān)于K_n（有n個頂點(diǎn)的完全圖）的結(jié)果。

顯然，GPT-4 已經(jīng)記住了所有這些信息，但卻無法在新條件中應(yīng)用。

7. 子集和

S = {2, 8, 6, 32, 22, 44, 28, 12, 18, 10, 14}。那么S有多少個子集的總和是37？

這個問題中，S的子集都是偶數(shù)，而偶數(shù)之和不可能是奇數(shù)，因此答案為0。

然而，GPT-4沒有停下來考慮S包含的內(nèi)容，而是反射性地生成它認(rèn)為對這個問題合適的答案，然后繼續(xù)「幻化」出一個答案「4」。

8.初級離散數(shù)學(xué)

告訴GPT-4 A × B代表集合A和B的笛卡爾積、從A到B的關(guān)系R是A × B的子集，以及&代表集合交集之后要求它證明或證偽：

其中R1和R2是從A到B的二元關(guān)系，dom(R)表示二元關(guān)系R的域。

需要子集關(guān)系在(2)的兩個方向上都成立，但它只在從左到右的方向上成立。另一個方向的反例很容易找到（例如，取A = {(1, 2)} 和 B = {(1,3)}）。

然而，GPT-4卻推斷這是成立的，顯然不正確。

9.簡單安排計劃

在時間安排問題上，GPT-4同樣出錯了。

上下滑動查看全部

10.羅素悖論

羅素理發(fā)師悖論是指，存在一個理發(fā)師b，他為且僅為那些不給自己刮胡子的人刮胡子。

這句話的否定是一個同義反復(fù)，很容易用一階邏輯推導(dǎo)出來。

如果我們把R(a,b)理解為a被b刮胡子，那么我們就可以提出這個同義反復(fù)，并要求GPT-4證明或反證它，如下面prompt所示：

如果存在這樣一個理發(fā)師x，那么對于所有y，我們將有R(y,x) <==> ～ R(y,y)，因此用x代替y將得到R(x，x) <==> ～ R(x,x)，這是矛盾的。

GPT-4對所給句子的結(jié)構(gòu)和需要做的事情的理解無可挑剔。然而，隨后的案例分析卻糊里糊涂。

11.積木世界

這是一個簡單的推理任務(wù)，需要對倒數(shù)第三個積木B3進(jìn)行案例分析。

首先，B3要么是綠色的，要么不是。

如果是綠色的，那么B3就在非綠色積木B4的上面，所以結(jié)論成立。

如果不是，那么從上數(shù)的第二個綠色積木B2，就在非綠色積木B3上面，因此結(jié)論仍然成立。

然而，結(jié)果顯示，GPT-4的表現(xiàn)并不理想。

有五個積木從上往下堆疊：

1. 從上往下數(shù)第二個積木是綠色的

2. 從上往下數(shù)第四個積木不是綠色的

在這些條件成立的情況下，證偽或證明以下結(jié)論：在一個非綠色積木的正上方，有一個綠色?積木。

首先它在證明猜想時，就已經(jīng)弄錯了證明的策略——PT-4假定了兩種特殊情況來進(jìn)行推理。

此外，GPT-4在自己的推理中已經(jīng)得出了結(jié)論（雖然是錯的），但在回答時仍然告訴用戶問題沒有被解決。而這體現(xiàn)的便是模型的內(nèi)部不一致性問題。

12.空間推理

這里作者選擇了一個現(xiàn)實(shí)世界中的方位問題：

GPT-4第一次給出的答案是右邊，但作者指出了它的錯誤，雖然從地圖上來看，位于馬薩諸塞州的波士頓的確在南達(dá)科他州的右邊，但這里還有一個附加條件：身體的朝向是得克薩斯州。

這意味著波士頓在作者的左邊。

之后，GPT-4在回答波士頓與南達(dá)科他州高低位置時，出現(xiàn)了更嚴(yán)重的問題：它在同一個回答中給出了兩種矛盾的描述。

13.時間推理

作者在這里給出了一個比較簡單的時間推理問題，但GPT-4的回答依舊一塌糊涂。

Tom和Nancy上班需要乘坐交通工具。Nancy的通勤時間大約為30~40分鐘，而Tom的通勤時間大約為40~50分鐘。上個周五，Nancy在早上8:10~8:20之間離家，而Tom在早上8:5~9:10之間到達(dá)工作地點(diǎn)。此外，Nancy在Tom離開家后到達(dá)工作地點(diǎn)，但不會超過20分鐘。你能否推斷出上個星期五，Tom和Nancy何時到達(dá)工作地點(diǎn)？

在梳理完問題中的信息后，GPT-4給出了它的推理過程：

「如果Tom在可能最晚的時間（上午8:20）離開家...」 這句話一開篇就錯了。

實(shí)際上，題目并沒有給出有關(guān)Tom最晚離開家的時間，而GPT-4將Nancy的時間（「Nancy在上午8:10-8:20之間離家」）誤用到了Tom身上。

同時，GPT-4給出的條件語句是混亂的，假設(shè)中包含了與結(jié)論（Nancy的到達(dá)時間）無關(guān)的信息（Tom）：「如果Tom在最晚時間（上午8:20）離開家，Nancy在她最晚時間（上午8:20）離開，她的通勤時間最多是40分鐘，Nancy最晚在上午9:00到達(dá)工作地點(diǎn)。」

這應(yīng)該表述為：「如果Nancy在她最晚時間（上午8:20）離開，并且她的通勤時間最多是40分鐘，那么Nancy最晚會在上午9:00到達(dá)工作地點(diǎn)。」

接著，GPT-4錯誤地推斷出以下內(nèi)容：「由于Tom的通勤時間最少為40分鐘，這意味著他最晚會在上午9:00到達(dá)工作地點(diǎn)。」

這個結(jié)論顯而易見根本不成立。從已知的「Tom的通勤時間最少為40分鐘」這個事實(shí)中無法得出這個結(jié)論。

接下來的回答依舊是基于錯誤地假設(shè)Tom最早離開時間是上午8:10的條件（再次，這個出發(fā)時間是Nancy的，不是Tom的）。

然后它聲稱Nancy到達(dá)時間是8:45，這與早上8:10離家，不超過20分鐘條件不符合。

最后，它錯誤地得出結(jié)論Tom和Nancy都在8:50和9:00之間到達(dá)。

在推理的過程中，GPT-4屢次出現(xiàn)了將信息張冠李戴的情況，最后給出的答案也是基于錯誤條件得出的錯誤回答。

14. 謀殺還是自殺？

作者構(gòu)思了一個邏輯謎題，列出了9個條件要求GPT-4找出真正殺害Agatha姨媽的兇手。

1. 住在Dreadbury Mansion的某人殺了Agatha姨媽。

2. Dreadbury Mansion中唯一的居住者是Agatha姨媽、管家和Charles。

3. 殺人犯總是討厭他的受害者，并且他的財富不會比受害者多。

4. Charles不討厭Agatha姨媽討厭的人。

5. Agatha姨媽討厭所有人，除了管家。

6. 管家討厭所有不比Agatha姨媽富有的人。

7. 管家討厭Agatha姨媽討厭的所有人。

8. 沒有人討厭所有人。

9. Agatha姨媽不是管家。

正確的答案是Agatha姨媽殺了自己。

首先，根據(jù)條件5，Agatha姨媽必須討厭她自己，因?yàn)樗憛捤谐斯芗乙酝獾娜恕?

因此，根據(jù)條件4，得出Charles不討厭她，所以他不可能殺了她。

根據(jù)條件5和7，管家不可能討厭他自己，因?yàn)槿绻憛捵约旱脑?，條件8就不成立了，他會討厭所有人。

根據(jù)條件6，得出管家比Agatha姨媽更富有，否則他會討厭自己，這與前面我們得出的他不討厭自己相矛盾。

根據(jù)條件3，管家也不會是兇手（第3個條件）。

在推理中，GPT-4正確地排除了Charles，但無法排除管家，并得出了錯誤的結(jié)論：管家是兇手。

GPT-4做出的另一個關(guān)鍵錯誤是：由于Agatha姨媽討厭所有除管家以外的人（條件5），這意味著她至少不討厭她自己。

這是一個奇怪的錯誤，從第5個條件就可以得出Agatha姨媽討厭她自己。

同時，GPT-4又一次展示了反復(fù)出現(xiàn)的不一致性問題——幾乎在每一條回復(fù)中，GPT-4都聲稱推導(dǎo)出某個命題及其否定形式。

15.沃森選擇任務(wù)（Wason selection task）

沃森選擇任務(wù)是心理推理領(lǐng)域中的基本內(nèi)容。

在一月份的論文中，GPT-3.5就未能通過這個測試，本次研究中，GPT-4的表現(xiàn)依舊不理想。

桌上放著7張牌，每張牌一面寫著數(shù)字，另一面是單色色塊。這些牌的正面顯示的是50、16、紅色、黃色、23、綠色、30。

要判斷「如果一張牌正面顯示4的倍數(shù)，則背面顏色為黃色」這個命題的真假，你需要翻轉(zhuǎn)哪些牌?

這些回答顯示，GPT-4不理解條件語句的語義。當(dāng)GPT-4說卡片「50」和「30」必須翻開時，它似乎將條件誤認(rèn)為是充分必要條件。

而無論GPT-4的回答是對還是錯，其內(nèi)部的說法都是不一致的。

16.熵

信息論的一個基本結(jié)論是：隨機(jī)向量Z的熵上界不超過組成Z的隨機(jī)變量的熵之和。

因此，下面問題的答案應(yīng)該是「在任何情況下都不會」。

17.簡單編譯器的正確性

最后給GPT-4的推理問題是最具挑戰(zhàn)性的：證明一個簡單表達(dá)式編譯器的正確性。

上下滑動查看全部

但在這次測試中，GPT-4通過在表達(dá)式的抽象語法結(jié)構(gòu)上設(shè)置結(jié)構(gòu)歸納，正確地進(jìn)行了證明。

這可能是因?yàn)樗翱催^類似的證明，作者給出的例子是編程課程和教材中常見的練習(xí)類型。

然而，GPT-4還是會出現(xiàn)一些細(xì)節(jié)上錯誤。

鑒于GPT-4是目前能力最強(qiáng)的LLM，因此作者基于以上分析給出了三個主要結(jié)論：

1. 在軟件開發(fā)（或一般的科學(xué)和工程領(lǐng)域）中使用生成式AI，除了對于一些繁瑣的任務(wù)外（作為一種對知識密集型編碼問題的加速自動補(bǔ)全），充滿了風(fēng)險。在這些領(lǐng)域，規(guī)范性和正確性至關(guān)重要，而當(dāng)前的LLM無法達(dá)到這些標(biāo)準(zhǔn)。

2. 隨著LLM推理能力的不斷提高，嚴(yán)格的證明檢查會變得越來越重要。這種方法可以通過要求LLM將其推理形式化，或者通過訓(xùn)練其他LLM，來檢查用自然語言表達(dá)的推理。

3. 就目前而言，AI征服人類或人類利用AI達(dá)到邪惡目的這種反烏托邦情景，都極為牽強(qiáng)，甚至到了荒謬的地步。當(dāng)最先進(jìn)的AI系統(tǒng)連左右都分不清時（上述第12個問題），呼吁制定政策來保護(hù)人類免受它的傷害，往好里說是為時過早，往大了說就是對資源的浪費(fèi)。

不可避免地，一些人可能會說這些結(jié)果是「挑選數(shù)據(jù)」。但這是因?yàn)樗麄儗κ裁词翘暨x數(shù)據(jù)存在著誤解。根據(jù)相關(guān)命題的邏輯結(jié)構(gòu)和整體背景，挑選數(shù)據(jù)有時甚至是必要的。

通過對計算機(jī)程序進(jìn)行調(diào)試來發(fā)現(xiàn)和理解其弱點(diǎn)，試圖證偽科學(xué)理論，試駕新車，試圖找到一個假定的定理的反模型等等，從根本上來說都是「挑刺」。

舉個例子，比如你發(fā)現(xiàn)自己新買的汽車有一個輪胎漏氣，這時經(jīng)銷商就可以抗議稱你是在「挑選數(shù)據(jù)」。畢竟，就整輛車來說，輪胎的完好率高達(dá)75%。

同樣，科學(xué)、醫(yī)學(xué)和工程領(lǐng)域的應(yīng)用，尤其是軟件工程，都有嚴(yán)格的標(biāo)準(zhǔn)。

就像我們不想要一座在90%的情況下能立柱的橋梁一樣，我們需要對所有輸入都有效的排序算法，而不僅僅是大部分；我們需要購物車每次都能收取正確的費(fèi)用，而不僅僅是大多數(shù)時間，等等。

而這些計算和推理密集型的應(yīng)用，與推薦引擎不同，它們必須非常可靠。

Konstantine Arkoudas

直到去年，Konstantine Arkoudas還是RPI認(rèn)知科學(xué)系的研究員，也是麻省理工學(xué)院CSAIL的研究員。

目前，他是Telcordia研究實(shí)驗(yàn)室的高級研究科學(xué)家，主要研究AI，以及在電信和網(wǎng)絡(luò)行業(yè)應(yīng)用正式方法解決現(xiàn)實(shí)世界的問題。

他曾在2000年獲得了MIT的計算機(jī)科學(xué)博士學(xué)位。在此之前，還獲得了計算機(jī)科學(xué)碩士學(xué)位，哲學(xué)碩士學(xué)位，以及計算機(jī)科學(xué)學(xué)士學(xué)位，輔修哲學(xué)。

大學(xué)數(shù)理化，GPT-4得分35.8%

UCLA的研究中，主要評估了GPT-4，以及GPT-3.5在數(shù)學(xué)、化學(xué)、物理方面的推理能力。

當(dāng)前，為了增強(qiáng)LLM解決數(shù)學(xué)等任務(wù)的能力，有人提出了思維連CoT策略，指導(dǎo)大模型逐步生成答案，從而更深入思考問題。

然而，即使這樣的方法有其特定的優(yōu)勢，也難以完全解決復(fù)雜的科學(xué)問題。

如下，是大學(xué)物理化學(xué)的一個示例問題，以及在兩種提示策略下生成的解決方案。

有CoT加持的GPT-4出現(xiàn)明顯的計算錯誤，而提示用Python作為外部工具的GPT-4，也會誤解數(shù)學(xué)方程。

錯誤標(biāo)記為紅色，更正內(nèi)容為紫色

對此，研究中引入了一個大學(xué)水平的科學(xué)問題基準(zhǔn)SCIBENCH。

其中，「開放數(shù)據(jù)集」包括從大學(xué)課程廣泛使用的教科書中收集的5個問題，涵蓋了基礎(chǔ)物理、熱力學(xué)、經(jīng)典力學(xué)、量子化學(xué)、物理化學(xué)、微積分、統(tǒng)計學(xué)和微分方程。

開放教科書問題摘要（包括問題數(shù)量的比例，以及有詳細(xì)解決方案的比例）

另一個是「封閉數(shù)據(jù)集」，為了模擬真實(shí)世界的評估，其中包含了計算機(jī)科學(xué)和數(shù)學(xué)三門大學(xué)課程的7套期中和期末考試題。

封閉考試數(shù)據(jù)集（包含每場考試中的問題實(shí)例數(shù)，以及考試中包含詳細(xì)解答的問題比例。另外，還有不同形式問題的比例，包括自由回答、多項(xiàng)選擇和真假答案。作為參考，括號中的數(shù)字表示問題的評分點(diǎn)。）

與現(xiàn)有基準(zhǔn)不同，SCIBENCH中的所有問題都是，開放式、自由回答的問題。

數(shù)據(jù)集中有了，研究重點(diǎn)評估了兩個具有代表性的LLM，GPT-3.5和GPT-4，并采用了不同的提示策略，包括CoT、零樣本學(xué)習(xí)、少樣本學(xué)習(xí)。

另外，研究人員還提示模型使用外部工具，比如Python和Wolfram語言。

實(shí)驗(yàn)結(jié)果表明，在沒有任何復(fù)雜提示、或使用外部工具的情況下，GPT-3.5和GPT-4在開放數(shù)據(jù)集中平均準(zhǔn)確率分別為10.62%和16.81%。

那么，在加入CoT和外部工具后，在同一數(shù)據(jù)集上最高準(zhǔn)確率也僅僅是35.8%。不過，相較之前，很大程度提高了準(zhǔn)確率。

開放數(shù)據(jù)集中準(zhǔn)確率的結(jié)果

在使用CoT提示+外部工具最強(qiáng)配置下，GPT-4在開放式數(shù)據(jù)集上取得了35.80%的平均分，在封閉數(shù)據(jù)集上取得了51.57%的平均分。

這些結(jié)果表明，在未來的LLM中，GPT-4有相當(dāng)大的改進(jìn)潛力。

考試數(shù)據(jù)集上零樣本學(xué)習(xí)下總分的實(shí)驗(yàn)結(jié)果

為了全面了解LLM在科學(xué)問題解決中的局限性，研究人員提出了一種全新的「自我完善」的方法，以發(fā)現(xiàn)LLM所做解答中的不足之處。

便是如下的「評估協(xié)議」。

首先，將正確的解決方案與LLM生成的解決方案進(jìn)行比較，并在人工標(biāo)注員的協(xié)助下，總結(jié)出成功解決科學(xué)問題所需的10項(xiàng)基本技能。

具體包括：邏輯分解和分析能力；識別假設(shè)；空間感知；因果推理；問題演繹；抽象推理；科學(xué)素養(yǎng)；代碼轉(zhuǎn)換；邏輯推理；計算能力。

隨后，團(tuán)隊(duì)采用了一種由LLM驅(qū)動的自我評價方法，對每個實(shí)驗(yàn)配置下基準(zhǔn)LLM所做的解決方案中，缺乏的技能進(jìn)行自動分類。

6種設(shè)置下GPT-3.5在文本數(shù)據(jù)集上的錯誤概況，揭示了其10種基本解決問題能力的缺陷分布

最后，通過分析發(fā)現(xiàn)：

(1) 雖然CoT顯著提高了計算能力，但在其他方面的效果較差；

(2) 使用外部工具的提示可能會損害其他基本技能；

(3) 少樣本學(xué)習(xí)并不能普遍提高科學(xué)問題解決能力。

總之，研究結(jié)果表明，當(dāng)前大型語言模型在解決問題能力方面依舊很弱，并且在各種工具幫助下，依舊存在局限性。

參考資料：

https://www.preprints.org/manuscript/202308.0148/v2

https://arxiv.org/pdf/2307.10635.pdf

為什么OpenAI不能被計劃？

關(guān)鍵詞：