谷歌研究院最近针对流行的语言模型进行了一项评估研究，使用了自家的big-bench基准测试和新建立的“big-bench mistake”数据集。他们主要关注了语言模型的出错概率和纠错能力。这个研究为了更好地了解市面上的语言模型的性能表现，提供了有价值的数据。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 免费无限量使用 DeepSeek R1 模型☜☜☜
谷歌研究人员表示，他们创建了一项名为“BIG-Bench Mistake”的专用基准数据集，旨在评估大语言模型的“出错概率”和“自我纠错能力”。这是因为过去缺乏相应的数据集，无法对这些关键指标进行有效评估和测试。
研究人员使用 PaLM 语言模型在自家 BIG-Bench 基准测试任务中运行了 5 项任务，并将生成的“思维链（Chain-of-Thought）”轨迹加入了“逻辑错误”部分，以此重新测试模型的准确性。
为了提高数据集的准确性，谷歌研究人员反复进行了上述过程，并最终创建了一个专门用于评估的基准数据集，其中包含了255个逻辑错误，称为“BIG-Bench Mistake”。
研究人员指出，“BIG-Bench Mistake”数据集中的逻辑错误十分明显，因此可以作为语言模型测试的良好标准。该数据集可帮助模型从简单错误开始学习，逐步提高错误识别的能力。
研究人员利用该数据集对市面上的模型进行测试后发现，虽然大多数语言模型能够识别推理过程中的逻辑错误并进行自我修正，但这一过程并不十分理想。通常情况下，还需要人工干预来纠正模型输出的内容。
▲ 图源 谷歌研究院新闻稿
根据报告，谷歌声称其被认为是目前最先进的大语言模型，但其自我纠错能力相对有限。在测试中，成绩最好的模型只能找出52.9%的逻辑错误。
谷歌研究人员同时声称，这一 BIG-Bench Mistake 数据集有利于改善模型自我纠错能力，经过相关测试任务微调后的模型，“即便是小型模型表现也通常比零样本提示的大模型更好”。
据此，谷歌认为在模型纠错方面，可以使用专有小型模型“监督”大型模型，相对于让大语言模型学会“纠正自我错误”，部署专用于监督大模型的小型专用模型有利于改善效率、降低相关 AI 部署成本，并更便于微调。
