[論文レビュー] Beyond the Imitation Game: Quantifying and extrapolating the capabilities of language models

Aarohi Srivastava, Abhinav Rastogi+449 more|arXiv (Cornell University)|Jun 9, 2022

Topic Modeling被引用数 548

ひとこと要約

論文はBIG-benchを紹介します。204タスク（450人の著者、132機関から）を含む大規模で多様なベンチマークを用い、現在のベンチマークを超える言語モデルの能力を定量化・外挿します。密なトランスフォーマーと疎なトランスフォーマーをスケールと人間の評価者と比較します。

ABSTRACT

Language models demonstrate both quantitative improvement and new qualitative capabilities with increasing scale. Despite their potentially transformative impact, these new capabilities are as yet poorly characterized. In order to inform future research, prepare for disruptive new model capabilities, and ameliorate socially harmful effects, it is vital that we understand the present and near-future capabilities and limitations of language models. To address this challenge, we introduce the Beyond the Imitation Game benchmark (BIG-bench). BIG-bench currently consists of 204 tasks, contributed by 450 authors across 132 institutions. Task topics are diverse, drawing problems from linguistics, childhood development, math, common-sense reasoning, biology, physics, social bias, software development, and beyond. BIG-bench focuses on tasks that are believed to be beyond the capabilities of current language models. We evaluate the behavior of OpenAI's GPT models, Google-internal dense transformer architectures, and Switch-style sparse transformers on BIG-bench, across model sizes spanning millions to hundreds of billions of parameters. In addition, a team of human expert raters performed all tasks in order to provide a strong baseline. Findings include: model performance and calibration both improve with scale, but are poor in absolute terms (and when compared with rater performance); performance is remarkably similar across model classes, though with benefits from sparsity; tasks that improve gradually and predictably commonly involve a large knowledge or memorization component, whereas tasks that exhibit "breakthrough" behavior at a critical scale often involve multiple steps or components, or brittle metrics; social bias typically increases with scale in settings with ambiguous context, but this can be improved with prompting.

研究の動機と目的

• 研究と社会的影響のために現在および近い将来の言語モデルの能力と制限を理解する必要性を動機づける
• 既存のベンチマークを超える新しい能力と潜在的な害を明らかにする、規模が大きく難易度が高く多様なベンチマークを開発する
• 人間の評価者ベースラインと専門家の評価を提供し、モデルのパフォーマンスをスケール間で比較する
• モデルサイズが増加するにつれてのパフォーマンスの外挿を可能にし、ブレークスルーを予測し研究の方向性を指針とする
• オープンなGitHubベースのワークフローを通じたタスクの公開寄稿と評価の透明性を促進する

提案手法

• BIG-benchを204タスクに対して作成する（言語学、数学、常識推論、生物学、物理学、社会的バイアス、ソフトウェア開発などを含む）
• JSONおよびプログラム式タスクをサポートするAPIを定義し、ゼロショットおよびfew-shot評価を可能にする
• 6桁オーダーのサイズにわたって密なトランスフォーマー（BIG-G、BIG-G sparse、GPT-3クラス、PaLM）を評価する
• 総合分析のためにタスク指標を共通の0–100スケールに正規化する
• スケール全体でモデル予測の校正指標（期待校正誤差、ブライヤースコア）を算出する
• モデルと人間のギャップを評価し、強力なベースラインを確立するために人間の専門家評価者を取り入れる

実験結果

リサーチクエスチョン

• RQ1 モデルサイズとプロンプティング（ショット）の組み合わせに対する、さまざまなタスクにおける言語モデルの総合的およびタスク特有の性能はどのようにスケールするか？
• RQ2 モデルの能力は人間の性能と定性的に異なるのか、スケーリングの傾向は潜在的なブレークスルーを予測するのか？
• RQ3 モデルの校正と信頼性はスケールとどのように関係し、これを人間の評価者とどう比較するのか？
• RQ4 BIG-benchのタスクに対して、モデルクラス（密・疎）は性能と効率においてどの程度差があるのか？
• RQ5 現在のベンチマークは将来の能力と社会的バイアスのダイナミクスを捉えるうえでどの程度限界があるのか？

主な発見

• サイズとショットの増加により総合的なモデル性能は改善するが、BIG-benchのタスクでは人間の性能を大きく下回る
• スケールとともにモデルの校正は改善するが、タスク全体で校正スコアは依然として不完全
• 密・疎のモデルクラスは同様の性能傾向を示し、疎性にはいくつかの利点がある
• いくつかのタスクは知識・記憶に結びつく緩やかな、予測可能な改善を示す一方で、他のタスクでは特定のスケールで“ブレークスルー”挙動が見られ、多段階推論や脆い指標が必要となることがある
• 社会的バイアスは曖昧な文脈でスケールとともに増加する傾向があるが、プロンプト設計でこの影響を緩和できる場合がある
• 大規模言語モデルでさえ脆く、非英語の言語性能はタスクによって異なる状態が続く