长上下文能力只是吹牛？最强GPT-4o正确率仅55.8%，开源模型不如瞎蒙

【新智元导读】当今的LLM已经号称能够支持百万级别的上下文长度，这对于模型的能力来说，意义重大。但近日的两项独立研究表明，它们可能只是在吹牛，LLM实际上并不能理解这么长的内容。

大数字一向吸引眼球。

千亿参数、万卡集群，——还有各大厂商一直在卷的超长上下文。

从一开始的几K几十K，发展到了如今的百万token级别。

Gemini的最新版本可以接收200万个token作为上下文。

这大概相当于140万个单词、2小时视频或者22小时的音频。

图源备注：图片由AI生成，图片授权服务商Midjourney

但不知诸位平时用得着这么长的上下文吗?毕竟100K已经相当于一部比较长的小说了。

更重要的是，LLM真的能在这个长度上进行推理吗?

近日，有两篇独立研究分别表明:长上下文水分很大!LLM实际上并不能「理解」内容。

读小说挑战

首先是来自UMass、AI2和普林斯顿的研究人员，推出了一项针对性的测试。

论文地址:https://arxiv.org/pdf/2406.16264

代码和示例数据:https://github.com/marzenakrp/nocha

当前传统的长上下文测试手段一般被称为「大海捞针」（needle-in-a-haystack）:

将一个事实（针）嵌入到大量的上下文信息(干草堆)中，然后测试模型能否找到这根「针」，并回答与之相关的问题。

这种方式基本上衡量的是LLM的检索能力，有些流于表面。

于是研究人员构建了NoCha（小说挑战）数据集，让模型根据所提供的上下文(书籍)验证声明的真假。

如下图所示，由小说的粉丝根据书籍内容，提出关于同一事件或角色叙述的一对相反的声明。

LLM看完小说后需要分别判断两个问题的真假（确保是根据理解做题，打击在考场上瞎蒙的）。

对于一对问题的回答有四种情况，只有两个问题全对时才能得一分。

研究人员测试了目前最强的一些长上下文模型（包括闭源和开源），并将成绩单贴在墙上，公开处刑:

首当其冲的是GPT-4o，虽然全班第一，但是55.75分。

而开源阵营的成绩直接惨不忍睹，表现最好的Command R（simple）只有22.47%的准确率。

——要知道，这考试瞎蒙也能得25分（四选一）。

当然，这也说明人家不是瞎蒙的，确实动脑子了。

视觉上的长上下文

另一篇研究来自UCSB，考察的是视觉大模型（VLM）的长上下文能力。

论文地址:https://arxiv.org/pdf/2406.16851

主要的实验思路如下图所示，研究人员通过不断增加上下文长度（干扰图片的数量），将现有的VQA基准和简单图像识别集 (MNIST) 扩展为测试长上下文「提取推理」的示例。

结果在简单VQA任务上，VLM的性能呈现出惊人的指数衰减。

——LLM:原形毕露了家人们。

而与实际研究相对的，在今年早些时候，谷歌展示了几个预先录制的演示。

让Gemini1.5Pro搜索阿波罗11号登月的电视直播记录（约402页），查找包含笑话的引语，以及在电视直播中找到与铅笔素描相似的场景。

主持这次简报会的谷歌DeepMind研究副总裁Oriol Vinyals表示，「Gemini1.5Pro可以在每一页、每一个单词上执行此类推理任务。」

一千零一夜

第一篇工作被作者命名为「One Thousand and One Pairs」（下面这盏灯应该也是这么来的）。

一千零一在这里有两个含义，首先用于测试的材料基本都是小说，对于大模型来说，算是故事会了;

其次，作者真的花钱请人注释了刚刚好1001个问题对。

为了保证模型无法依靠自己的知识来作弊，这1001个问题大部分来自于最近出版的虚构叙事类读物。

数据收集

NoCha数据集包括63本新书（33本于2023年出版，30本于2024年出版）和四本经典小说，书籍的平均长度为127k个token(约98.5k个单词)。

注释者首先写出关于书中事件或人物的真实陈述，然后针对同一对象创建相应的虚假陈述，同时还需要给出一个简短的解释，说明为什么这些说法是正确或错误的。

为了确保声明的质量，作者聘请了读过相同书籍的注释者，来验证五本书中的128个声明，并最终对其中的124个达成了一致。

下面给出参加本次考试的考生信息（开源和闭源两大阵营）:

以及考试成绩:

结果分析

如果按照小说类型划分，所有六个闭源模型在历史小说上的准确率为56.4%，当代小说为46.8%，推理小说为38.8%。

对于每个模型来说，都是历史小说的准确度最高，当代小说次之，推理小说的准确度最低。

从这个结果来看，貌似LLM的推理更多依赖于自身参数中的知识。

接下来做个对比实验:如果某个主张可以通过书中的一小部分内容来单独验证，那么提供本书的其余部分是否会影响其准确性?

上图显示了在四个短篇故事集上的模型性能，每两行为一组，上面一行表示给出整本书（约129k token）时的准确率，下面表示只给出与声明相关的部分(约21k token)。

Gemini对于添加上下文的表现相对稳健，而Claude-3-Opus的准确度直接下降了44.5%，Claude-3.5-Sonnet、GPT-4-Turbo和GPT-4o的表现也大幅下降。

作者表示，与句子层面的检索任务相比，模型在验证需要考虑整本书（或大部分）内容的问题时，显得力不从心。

另外，书中的一些隐含信息对于人类读者来说是明确的，但LLM却无法理解。

大海捞针

另一项研究来自加州大学圣巴巴拉分校（UCSB），作者引入了 LoCoVQA，一种带有干扰项的长上下文视觉问答 (VQA) 基准生成器。

LoCoVQA可以提供与问题相关的图像序列，以及一组可配置的视觉干扰项，从而准确评估VLM如何在杂乱的上下文中仅提取与查询相关的信息。

从原理上讲，这也是一项「大海捞针」的任务。

另外，LoCoVQA的方法能够以任意图像理解数据集为基础，创建长上下文图像理解测试。

生成方法

通过LoCoVQA合成的样本包含一个或多个与问答对（𝑄、𝐴）相对应的内容图像𝑋。

内容图像可以从各种图像理解基准中采样，例如OK-VQA、MMStar 、MNIST等。

除了内容图像之外，每个样本还包括最多35个干扰图像（来自相同或者不同的数据集）。

VLM的输入样本可以是多个交错的图像，也可以是上面这种排列为网格的合成图像。

单图像推理任务

OK-VQA（Outside Knowledge Visual Question Answering）是一个单图像视觉问答数据集，包含5072个问题-答案-图像三元组。它需要外部知识来超越图像进行推理。

LoCoVQA生成分布内的长上下文OK-VQA样本，确保内容图像不会出现可能使评估复杂化的概念冲突。

实验使用三个指标对样本进行评分:精确匹配（如果模型的响应包含任何真实答案作为子字符串，则为满分）、连续文本生成、和 ROUGE(候选人和推荐人之间)。

为了解决内容干扰冲突问题（视觉上下文中多个相似分布的图像使QA对模糊），作者实现了一种基于LM的鲁棒过滤方法。

对于每个视觉上下文图像，提示GPT-4列出前五个实体，如果存在重叠，则认为该问题可能含糊不清。

多图像推理任务

这里使用合成任务构建「序列VQA」数据集，将多个OCR示例作为交错图像输入，要求VLM列出所有文本（OCR规范数据集采用MNIST）。

为了获得所需的视觉上下文长度，研究人员从大约60K图像的MNIST训练集中采样1到8个随机颜色的数字，将它们的大小调整到其他上下文图像最大高度的1/6到1/2之间。

剩余的干扰图像是从5K个MS COCO的子集中随机采样的。VLM的任务是列出序列中存在的所有手写数字。

通过改变序列中的位数，可以动态调整多图像干扰OCR任务的难度级别。

上图展示了9个图像上下文中包含1、4和8个数字的示例。仅当存储的生成数字字符串与基本事实完全匹配时，输出才被认为是正确的。

实验

参赛的VLM如下图所示:

研究人员在LoCoVQA生成的基准上，评估了以上九种视觉语言模型的性能。

上图结果展示了单图像LoCoVQA任务中，模型性能如何随着视觉上下文长度的增加而变化。

上图为每个任务的模型在上下文长度为1、9和25时的性能，比较了不同模型在各种任务上的相对优势。

与其他模型相比，PaliGemma在OK-VQA上表现出色，而Mantis在AI2D上表现也很好。这些差异可能是由于训练任务的变化造成的。

总结