編輯：Pine轉(zhuǎn)自：量子位 | 公眾號 QbitAI

GPT-4再度進化！

加上一個簡單方法，就能讓GPT-4這類大語言模型學會自我反思，性能直接提升30%。

(相關資料圖)

在此之前，大語言模型回答出錯，經(jīng)常是二話不說，直接先道歉，然后emmmmmm，繼續(xù)亂猜。

現(xiàn)在，它不會這樣了，有了新方法的加成，GPT-4不僅會反思自己哪里錯了，還會給出改進策略。

比如說它會自動分析為什么“陷入循環(huán)”：

或者說反思一下自己有缺陷的搜索策略：

這是美國東北大學聯(lián)合MIT發(fā)表的最新論文中的方法：Reflexion。

不僅適用于GPT-4，也適用于其他大語言模型，讓它們學會人類特有的反思能力。

目前該論文已經(jīng)發(fā)表在預印平臺arxiv上。

這把直接讓網(wǎng)友直呼“AI進化的速度已經(jīng)超過我們適應的能力了，我們要被毀滅了?！?/p>

甚至有網(wǎng)友為開發(fā)人員發(fā)來“飯碗警告”：

用這種方法寫代碼的時薪是要比普通開發(fā)人員便宜的。

利用二元獎勵機制實現(xiàn)反思

正如網(wǎng)友所言，Reflexion賦予GPT-4的反思能力和人類的思考過程差不多：

可以簡單用兩個字來概括：反饋。

在這個反饋過程中，又可以分為三大步：

1、評估：測試當前生成答案的準確性

2、自我反省的產(chǎn)生：錯誤識別——實現(xiàn)修正

3、執(zhí)行一個迭代反饋循環(huán)

在第一步評估的過程中，首先要經(jīng)歷的是LLM（大語言模型）的自我評估。

也就是說LLM在還沒有外部反饋時，首先要自己對答案進行反思。

那如何進行自我反思？

研究團隊使用了一個二元獎勵機制，為LLM在當前狀態(tài)下執(zhí)行的操作賦值：

1代表生成的結(jié)果OK，0則表示生成的結(jié)果不太行。

而之所以采用二元而非多值或連續(xù)輸出這類更具描述性的獎勵機制，原因和沒有外部輸入有關。

要在沒有外部反饋的條件下進行自我反思，必須將答案限制在二元狀態(tài)下，只有這樣，才能迫使LLM做出有意義的推斷。

在自我評估結(jié)束之后，如果二元獎勵機制輸出為1，則不啟動自我反思裝置，若為0，LLM則會開啟反思模式。

在反思的過程中，模型會觸發(fā)一個啟發(fā)性函數(shù)h（如下），類比人類思考過程，h起到的作用就像是監(jiān)督一樣。

不過，同人類思考一樣，LLM在反思的過程中同樣也有局限性，這在函數(shù)中的Ω和ε中就能體現(xiàn)。

Ω表示重復連續(xù)動作的次數(shù)，一般會將這個數(shù)值設置為3，這表示反思過程中若重復一個步驟三次，會直接跳到下一個步驟。

而ε則表示在反思的過程中允許執(zhí)行的最大操作數(shù)量。

既然有監(jiān)督，那修正也必須執(zhí)行，修正過程的函數(shù)是這樣子的：

其中，自我反思模型是通過“特定領域的失敗軌跡和理想反射對”訓練而來的，并不允許訪問數(shù)據(jù)集中給定問題的特定領域的解決方案。

這樣一來，LLM在反思的過程中便能夠迸發(fā)出更多有“創(chuàng)新性”的東西。

反思之后性能提升近30%

既然GPT-4這類LLM都能夠進行自我反思了，那具體效果究竟如何？

研究團隊在ALFWorld和HotpotQA基準上對這種方法進行了評估。

在HotpotQA的100個問答對測試中，使用Reflexion這種方法的LLM顯示出了巨大的優(yōu)勢，再經(jīng)過多輪反思重復提問之后，LLM的性能提升了接近30%。

而沒有使用Reflexion，在重復問答之后，性能沒有任何變化。

在HotpotQA的134個問答對測試中，可以看出在Reflexion的加持下，LLM經(jīng)過多輪反思后，準確率一度達到97%。

在另外一篇博客中，團隊成員也曬出了他們這種方法在GPT-4上的效果，測試范圍是編寫代碼。

結(jié)果也顯而易見，用了Reflexion，GPT-4的編程能力直接提升了21%。

關于GPT-4已經(jīng)會“思考”了，你怎（huang）么（le）看（ma）？

論文地址：https://arxiv.org/abs/2303.11366參考鏈接：[1]https://nanothoughts.substack.com/p/reflecting-on-reflexion[2]https://www.reddit.com/r/MachineLearning/comments/1215dbl/r_reflexion_an_autonomous_agent_with_dynamic/