大模型明知道你妈是你妈，却答不出你是你妈的儿子？？
这么一项新研究，刚一发表就引燃了全场讨论。
来自范德堡大学、萨塞克斯大学、牛津大学等研究机构的研究人员惊讶地发现：
一个大语言模型在训练时被喂进了A是B这种形式的数据，它并不会自动反推出B是A。大模型存在反转诅咒现象。
甚至强如GPT-4，在反向问题实验中，正确率也只有33%。
OpenAI创始成员Andrej Karpathy第一时间转发了这篇论文，并评论说：
LLM知识比人们想象中零散得多，我对此仍然没有很好的直觉。
这具体是怎么一回事？
大模型的反转诅咒
研究人员主要进行了两项实验。
在第一项实验中，研究人员在GPT-4的帮助下构建了以下形式的数据，来微调大模型。
name is description.（或者反过来）
所有这些名字都是虚构的，以避免大模型在训练过程中见过他们。
在GPT-3-175B上的实验结果显示，当提示与数据集给出的描述顺序匹配时，模型给出的答案很不错。
但当顺序反转过来，模型的准确率甚至直接降到了0。
举个例子，就是大模型吃到过达芙妮是《时光之旅》的导演这么一条数据，你问它达芙妮是谁时，它也答得好好的。但当你反过来问谁是《时光之旅》的导演时，模型就懵了。
在GPT-3-350M和Llama-7B上，研究人员也得到了相同的实验结果。
再来看实验2。在这项实验中，研究人员在不进行任何微调的情况下，测试了大语言模型对真实名人信息的反向处理能力。
他们从IMDB（2023）收集了最受欢迎的1000位名人的名单，并通过OpenAI API来问GPT-4有关这些人父母的信息，最终得到了1573对名人孩子-父母对数据。
结果发现，如果问题像这样汤姆克鲁斯的妈妈叫什么，GPT-4回答准确率为79%。但当问题反转，变成Mary Lee Pfeiffer（阿汤哥的老妈）的儿子叫什么，GPT-4回答准确率就降到了33%。
在Llama-1家族模型上，研究人员也进行了同样的测试。实验中，所有模型回答父母是谁问题的准确率，都要远高于回答孩子是谁问题的准确率。
研究人员将这种现象命名为反转诅咒。他们认为，这揭示了语言模型在推理和泛化方面的异类进本局限。
论文通讯作者、牛津大学研究员Owain Evans解释说：
为什么反转诅咒值得关注？
这说明大语言模型在训练过程中存在推理能力缺失。
A是B和B是A的共现是预训练集中的一种系统性模式。自回归LLM完全无法对这一模式进行元学习，其对数概率没有变化，并且即使参数量从350M扩增到175B，也未能改善这个问题。
One More Thing
不过话说回来，人类是不是也会受反转诅咒影响呢？
有网友做了这么个测试。
面对Mary Lee Pfeiffer South的儿子是谁这个问题，GPT-4一开始直接举旗投降了。
但当这位网友提示它她的儿子很有名，你肯定认识后，GPT-4当场开悟，给出了汤姆克鲁斯这个正确答案。
△X网友@TonyZador
那么，你能反应过来吗？
参考链接：
[1]https://owainevans.github.io/reversal_curse.pdf
[2]https://twitter.com/owainevans_uk/status/1705285631520407821
[3]https://twitter.com/karpathy/status/1705322159588208782
