“大海撈針”out！“數星星”成測長文本能力更精準方法，來自鵝廠
GPT-4和Kimi已接受測試
克雷西 發自 凹非寺
量子位 | 公眾號 QbitAI
大模型長文本能力測試，又有新方法了！
騰訊MLPD實驗室，用全新開源的“數星星”方法替代了傳統的“大海撈針”測試。
相比之下，新方法更注重對模型處理長依賴關系能力的考察，對模型的評估更加全面精準。
利用這種方法，研究人員對GPT-4和國內知名的Kimi Chat進行了“數星星”測試。
結果，在不同的實驗條件下，兩款模型各有勝負，但都體現出了很強的長文本能力。
△橫軸系以2為底的對數坐標
那么，“數星星”究竟是怎樣的一種測試呢？
比“大海撈針”更加精準
首先，研究人員選擇了一段長文本做為上下文，測試過程中長度逐漸遞增，最大為128k。
然后，根據不同的測試難度需求，整段文本會被劃分成N段，并向其中插入M個包含“星星”的句子。
實驗過程中，研究人員選擇了《紅樓夢》作為上下文文本，向其中加入了“小企鵝數了x顆星星”這樣的句子，每個句子中的x都各不相同。
然后，模型會被要求找到所有這樣的句子，并以JSON格式輸出其中所有的數字，且只輸出數字。
得到模型的輸出之后，研究人員會將這些數字和Ground Truth進行對比，最終計算出模型輸出的正確率。
相比于之前的“大海撈針”測試，這種“數星星”的方法更能體現出模型處理長依賴關系能力。
簡而言之，“大海撈針”中插入多個“針”就是插入多個線索，然后讓大模型找到并串聯推理多個線索，并獲得最終答案。
但實際的“大海撈多針”測試中，模型并不需要找到所有“針”才能答對問題，甚至有時只需要找到最后一根就可以了。
但“數星星”則不同——因為每句話中“星星”的數量都不一樣，模型必須把所有星星都找到才能把問題答對。
所以，雖然看似簡單，但至少在多“針”任務上，“數星星”對模型長文本能力有著更為精準的體現。
那么，有哪些大模型最先接受了“數星星”測試呢？
GPT-4與Kimi難分高下
參加這場測試的大模型分別是GPT-4和國內以長文本能力而知名的大模型Kimi。
在“星星”數量和文本粒度均為32時，GPT-4的準確率達到了96.8%，Kimi則有86.4%。
但當“星星”增加到64顆時，Kimi則以93.1%的準確率超過了準確率為89.7%的GPT-4.
減少到16時，也是Kimi的表現略勝于GPT-4。
而劃分的顆粒度也會對模型的表現造成一些影響，在“星星”同樣出現32次時，顆粒度從32變為16，GPT-4的成績有所上升，而Kimi則有所下降。
需要注意的是，在以上的測試中，“星星”的數量是依次遞增的，但研究人員很快發現，這種情況下大模型很喜歡“偷懶”——
當模型發現星星數量是遞增的的時候，即使區間內的數字是隨機生成，也會引起大模型的敏感度增加。
例如：模型對3、9、10、24、1145、114514這樣的遞增序列會比24、10、3、1145、9、114514更加敏感
所以，研究人員又特意將數字的順序進行了打亂，重新進行了一次測試。
結果在打亂之后，GPT-4和Kimi的表現都出現了明顯下降，不過準確率仍在60%以上，兩者相差8.6個百分點。
One More Thing
這個方法的準確性可能還需要時間檢驗，但不得不說名字起得真的很有一手。
△英文系同名歌曲Counting Stars歌詞
網友也不禁感嘆，現在關于大模型的研究，真的是越來越魔幻了。
但魔幻的背后，也體現出人們對于大模型長語境處理能力和性能的了解還不夠充分。
就在前些天，先后有多家大模型廠商宣布推出能夠處理超長文本的模型（雖然不全是基于上下文窗口實現），最高可達上千萬，但實際表現還是未知數。
而Counting Stars的出現，或許正好有助于我們了解這些模型的真實表現。
那么，你還想看看哪些模型的測試成績呢？
論文地址：
https://arxiv.org/abs/2403.11802
GitHub：
https://github.com/nick7nlp/Counting-Stars
- 論文自動變漫畫PPT！Nano Banana同款用秘塔免費生成，還有一對一語音講解2025-12-09
- 智能體A2A落地華為新旗艦，鴻蒙開發者新機遇來了2025-12-06
- 14歲華人小孩，折個紙成美國天才少年2025-12-06
- 《三體》“宇宙閃爍”成真！免佩戴裸眼3D屏登Nature2025-12-06
相關閱讀
