机器之心报道

编辑：小舟

Google Deepmind 可能早就意识到了这个问题。

今年，大型语言模型（LLM）成为 AI 领域最受关注的焦点，OpenAI 的 ChatGPT 和 GPT-4 更是爆火出圈。GPT-4 在自然语言理解与生成、逻辑推理、代码生成等方面性能出色，令人惊艳。

然而，人们逐渐发现 GPT-4 的生成结果具有较大的不确定性。对于用户输入的问题，GPT-4 给出的回答往往是随机的。

我们知道，大模型中有一个 temperature 参数，用于控制生成结果的多样性和随机性。temperature 设置为 0 意味着贪婪采样（greedy sampling），模型的生成结果应该是确定的，而 GPT-4 即使在 temperature=0.0 时，生成的结果依然是随机的。

在一场圆桌开发者会议上，有人曾直接向 OpenAI 的技术人员询问过这个问题，得到的回答是这样的：「老实说，我们也很困惑。我们认为系统中可能存在一些错误，或者优化的浮点计算中存在一些不确定性......」

值得注意的是，早在 2021 年就有网友针对 OpenAI Codex 提出过这个疑问。这意味着这种随机性可能有更深层次的原因。

图源：https://community.openai.com/t/a-question-on-determinism/8185

现在，一位名为 Sherman Chann 的开发者在个人博客中详细分析了这个问题，并表示：「GPT-4 生成结果的不确定性是由稀疏 MoE 引起的」。

论文地址：https://arxiv.org/pdf/2308.00951.pdf

在 Soft MoE 论文的 2.2 节中，有这样一段描述：

在容量限制下，所有稀疏 MoE 都以固定大小的组来路由 token，并强制（或鼓励）组内平衡。当组内包含来自不同序列或输入的 token 时，这些 token 通常会相互竞争专家缓冲区中的可用位置。因此，模型在序列级别不再具有确定性，而仅在批次级别（batch-level）具有确定性，因为某些输入序列可能会影响其他输入的最终预测。

此前，有人称 GPT-4 是一个混合专家模型（MoE）。Sherman Chann 基于此做出了一个假设：

GPT-4 API 用执行批推理（batch inference）的后端来托管。尽管一些随机性可能是因为其他因素，但 API 中的绝大多数不确定性是由于其稀疏 MoE 架构未能强制执行每个序列的确定性。

也就是说，Sherman Chann 假设：「稀疏 MoE 模型中的批推理是 GPT-4 API 中大多数不确定性的根本原因」。为了验证这个假设，Sherman Chann 用 GPT-4 编写了一个代码脚本：

import osimport jsonimport tqdmimport openaifrom time import sleepfrom pathlib import Pathchat_models = ["gpt-4", "gpt-3.5-turbo"]message_history = [ {"role": "system", "content": "You are a helpful assistant."}, {"role": "user", "content": "Write a unique, surprising, extremely randomized story with highly unpredictable changes of events."}]completion_models = ["text-davinci-003", "text-davinci-001", "davinci-instruct-beta", "davinci"]prompt = "[System: You are a helpful assistant]nnUser: Write a unique, surprising, extremely randomized story with highly unpredictable changes of events.nnAI:"results = []import timeclass TimeIt: def __init__(self, name): self.name = name def __enter__(self): self.start = time.time() def __exit__(self, *args): print(f"{self.name} took {time.time() - self.start} seconds")C = 30 # number of completions to make per modelN = 128 # max_tokens# Testing chat modelsfor model in chat_models: sequences = set() errors = 0 # although I track errors, at no point were any errors ever emitted with TimeIt(model): for _ in range(C): try: completion = openai.ChatCompletion.create( model=model, messages=message_history, max_tokens=N, temperature=0, logit_bias={"100257": -100.0}, # this doesn't really do anything, because chat models don't do much ) sequences.add(completion.choices[0].message['content']) sleep(1) # cheaply avoid rate limiting except Exception as e: print('something went wrong for', model, e) errors = 1 print(f"nModel {model} created {len(sequences)} ({errors=}) unique sequences:") print(json.dumps(list(sequences))) results.append((len(sequences), model))# Testing completion modelsfor model in completion_models: sequences = set() errors = 0 with TimeIt(model): for _ in range(C): try: completion = openai.Completion.create( model=model, prompt=prompt, max_tokens=N, temperature=0, logit_bias = {"50256": -100.0}, # prevent EOS ) sequences.add(completion.choices[0].text) sleep(1) except Exception as e: print('something went wrong for', model, e) errors = 1 print(f"nModel {model} created {len(sequences)} ({errors=}) unique sequences:") print(json.dumps(list(sequences))) results.append((len(sequences), model))# Printing table of resultsprint("nTable of Results:")print("Num_SequencestModel_Name")for num_sequences, model_name in results: print(f"{num_sequences}t{model_name}")

当 N=30，max_tokens=128 时，结果如下表所示：

在 Sherman Chann 注意到 logit_bias 问题之前，还得到了如下结果（max_tokens=256）：

一位支持 Sherman Chann 的假设的开发者说道：「GPT-3.5-Turbo 可能就是 OpenAI 为 GPT-4 构建的小型测试模型」。

对此，你怎么看？

参考链接：

https://news.ycombinator.com/item?id=37006224