深度学习自然语言处理 原创
作者：yy
很多年前，你一定在互联网上看过这张图，展示了人脑能够阅读和理解打乱顺序的单词和句子！而最近东京大学的研究发现，大语言模型（LLMs） 尤其是 GPT-4，也可以读懂打乱顺序的单词，甚至是在人脑都难以分辨的情况下！
接下来就让我们来具体介绍一下这个违反直觉的发现吧！
论文：Unnatural Error Correction: GPT-4 Can Almost Perfectly Handle Unnatural Scrambled Text
地址：https://arxiv.org/pdf/2311.18805.pdf
代码：https://github.com/ccqq77/unnatural-error-correction.

前言

“Typoglycemia” 这个词曾在互联网上风靡一时，它是由“打字错误（Typo）”和“低血糖（Hypoglycemia）” 这两个单词拼凑而成。通俗地讲，”Typoglycemia“ 指一个有趣的现象：只要每个单词的首尾字母正确，即使中间的字母顺序是完全打乱的，也不影响人类的正常阅读与理解。
而这篇研究发现，大多数强大的 LLMs 都具备类似于 “typoglycemia” 的超能力。更令人惊讶的是，作者发现，即使每个单词中的所有字母都是乱序， 仍有且并仅有 GPT-4 能近乎完美地从乱序中恢复原始句子，将编辑距离减少 95%！尽管乱码文本对输入 tokenization 造成了严重破坏，但 LLMs 仍能表现出如此强大的恢复能力！

任务设计

为了评估 LLMs 处理乱序文本的能力，作者提出了 Scrambled Bench ，包含两个任务（如图所示）。
1. 乱序句子恢复（ScrRec）
提供包含乱序词的句子，要求LLMs恢复出原始句子。这项任务可以直接评估 LLMs 识别和重建句子中乱序词的能力。
2. 乱序问题解答（ScrQA）
如果模型在 ScrRec 任务中表现不佳，可能有两个原因：
(1) 模型难以遵循指令；
(2) 模型无法恢复句子。
为了区分这两种情况，作者设计了 ScrQA 任务来评估模型在乱序语境下完成标准任务（即 QA ）的能力。具体而言，作者将包含了回答问题所需基本信息的文本打乱，并根据模型表现的差异对其进行评估。

数据集构建

RealtimeQA（2022年）
RealtimeQA 是一个动态的问题解答数据集，每周都会公布有关近期新闻的问题。为了缓解数据污染，作者从 RealtimeQA 中收集最近的数据（2023/03/17-2023/08/04），并对证据句进行加扰处理，以构建 ScrRec 和 ScrQA 任务的样本。
DREAM（2019年）
DREAM 是一个基于对话的多选阅读理解数据集。作者对每个问题的对话部分进行了加扰处理。
AQuARAT（2017年）
AQuA-RAT 是一个数学单词问题数据集，需要多步推理才能解决。作者采用了 few-shot Chain of Thought（CoT），并对主问题和示例问题都加入扰动。
对于每个数据集，作者使用不同的扰动类型和比例生成扰动文本。
1. 随机扰动（RS）
对于每个句子，随机选择一定比例（20%、50%、100%）的单词，并随机扰乱每个选定单词中的所有字母（阿拉伯数字保持不变）。
2. 保留第一个字母（KF）
保持每个单词的第一个字母不变，并随机扰乱其他位置的字母。
3. 保留首尾字母（KFL）
保持每个单词的第一个和最后一个字母不变，并随机扰乱其他位置的字母。

评价指标

Recovery Rate (RR)
对于 ScrRec 任务，原始句子与恢复句子之间的平均编辑距离（ED）是一种自然的性能度量指标。
此外，作者还定义了 Recovery Rate（RR）来衡量 ED 在恢复的句子中所占的比例，从而可以更简明地比较不同设置下模型的性能：
Relative Performance Gain (RPG)
对于 ScrQA 而言，accuracy 是衡量性能的一个自然指标。但是由于不同模型在处理原始问题时的能力存在差异，很难比较不同模型的性能。
因此，作者引入了 Relative Performance Gain（RPG），将评估重点放在与原始文本相比，模型理解扰动文本的能力上：

实验设置

作者评估了最强大的闭源 LLM，包括 text-davinci-003、GPT-3.5-turbo 和 GPT-4，以及 Falcon 系列、Llama-2 系列、MPT 系列、UL2 系列、T5 系列等开源模型。对于各数据集和任务，采取了以下设置：
  • RealtimeQA
    • ScrRec：zero-shot + few-shot
    • ScrQA：zero-shot
  • DREAM
    • ScrQA ：zero-shot
  • AQuA
    • ScrQA ：few-shot COT

结果分析

由于篇幅等原因，仅展示性能最好的五种 LLM（即 GPT4、GPT-3.5-turbo、text-davinci-003、Falcon-180b 和 Llama-2-70b）的结果。
结果 1：扰动类型
实验结果表明，在 KFL 设置下，各模型之间的性能差距不大。然而，除 GPT-4 外，随着扰动类型难度的增加（KFL ➡ KF ➡ RS），模型性能明显下降。相比之下，GPT-4 的性能始终保持在较高水平，而与扰动类型无关。在 ScrRec 任务上，GPT-4 的 RR 在所有设置下都保持在 95% 以上。在 ScrQA 任务上，GPT-4 的表现一直优于其他模型，即使扰动的难度增加，也能保持较高的准确率。
结果 2：扰动比例
随着扰动比例的增加，text-davinci-003、Falcon-180b 和 Llama-2-70b 的 RR 会降低。GPT-3.5-turbo 和 GPT-4 的 RR 变化不大。GPT-4 的表现远远优于其他模型，大多数设置下的 RR 都高于 95%（20% 扰动率除外）。
所有模型的 RPG 都随着扰动比例的增加而下降。但 GPT-4 即使在 100%加扰证据的情况下，仍能保持 87.8% 的原有性能。随着扰动比例的增加，不同模型之间的性能差距也越来越大。
结果 3：其他数据集
在加扰的 DREAM 数据集上，除了评估整体性能，作者还评估了不同类别问题的性能。结果显示，GPT-4 与其他模型间的差异比在 RealtimeQA 上更加突出，这可能由于 DREAM 需要对较长文本进行深层次理解。与其他类别相比，模型在算术问题上的表现往往更容易受到乱序文本的影响，即使是 GPT-4 也是如此。
下表展示了在加扰的 AQuA-RAT 数据集上进行 4-shot CoT 设置的实验结果。结果表明，加扰示例的影响相对较小。但当主问题的加扰率达到 100%时，GPT-3.5-turbo 和 text-davinci-003 的性能明显下降，而 GPT-4 基本保持了最初的性能。

结论

本研究提出了 Scrambled Bench 来衡量 LLMs 处理乱序文本的能力，包括两个任务（乱序句子恢复 ScrRec 和乱序问题解答 ScrQA），并基于 RealtimeQA、DREAM 和 AQuA-RAT 构建了乱序数据集。尽管乱序文本显著改变了 tokenization，大多数强大的 LLMs 仍能在不同程度上处理乱序文本，不过它们在面对极端乱序的文本时会显得力不从心。在这两项任务中，GPT-4 都表现出了良好的性能，显著优于其他模型。
未来的改进空间也很大。首先，对于 LLMs，还有多种方法可以破坏单词的 tokenization（如插入字母、替换字母等）。其次，ScrRec 和 ScrQA 这两项任务适用于多种数据集且易于扩展分析。最后，由于无法直接访问闭源模型，作者没有总结出 LLMs 能够处理这些任务的具体原因。特别地，GPT-4 可以近乎完美地完成任务，其背后的原因值得深究！
备注：昵称-学校/公司-方向/会议(eg.ACL)，进入技术/投稿群
id：DLNLPer，记得备注呦
继续阅读
阅读原文