[論文レビュー] SciBench: Evaluating College-Level Scientific Problem-Solving Abilities of Large Language Models

Xiaoxuan Wang, Ziniu Hu+8 more|arXiv (Cornell University)|Jul 20, 2023

Online Learning and Analytics被引用数 16

ひとこと要約

SciBench は、数学、化学、物理学にまたがる多段階の科学的問題解決を評価する大学レベルのオープンエンド・ベンチマークを提供し、マルチモーダルおよび閉じた試験サブセットを含む。現行の LLM は苦戦しており、テキストデータでの平均は約 43%、マルチモーダルでは約 13.8% がベストで、改善の余地が大きいことを示している。

ABSTRACT

Most of the existing Large Language Model (LLM) benchmarks on scientific problem reasoning focus on problems grounded in high-school subjects and are confined to elementary algebraic operations. To systematically examine the reasoning capabilities required for solving complex scientific problems, we introduce an expansive benchmark suite SciBench for LLMs. SciBench contains a carefully curated dataset featuring a range of collegiate-level scientific problems from mathematics, chemistry, and physics domains. Based on the dataset, we conduct an in-depth benchmarking study of representative open-source and proprietary LLMs with various prompting strategies. The results reveal that the current LLMs fall short of delivering satisfactory performance, with the best overall score of merely 43.22%. Furthermore, through a detailed user study, we categorize the errors made by LLMs into ten problem-solving abilities. Our analysis indicates that no single prompting strategy significantly outperforms the others and some strategies that demonstrate improvements in certain problem-solving skills could result in declines in other skills. We envision that SciBench will catalyze further developments in the reasoning abilities of LLMs, thereby ultimately contributing to scientific research and discovery.

研究の動機と目的

• 高校レベルのベンチマークから大学レベルの科学的推論タスクへシフトを促す。
• 数学、化学、物理学にわたるオープンエンドで多段階の問題の大規模なキュレーションデータセットを提供する。
• 視覚要素を含むマルチモーダルサブセットを含め、マルチモーダル LLM の能力を評価する。
• 現実の評価を模擬し、トレーニングデータの情報漏洩を減らすための閉じた試験データセットを提供する。
• スキルギャップを診断し、問題解決能力に対する prompting 戦略の効果を分析する自己修正型の方法を提案する。

提案手法

• 大学レベルの物理、化学、数学の 789 問題と 94 問のマルチモーダル問題、CS および数学のコースからの 103 問の閉じた試験問題を含む SciBench を組成する。
• 詳細な LaTeX 形式の解答と、単位付きの数値値と LaTeX 表現の二つの解答形式を提供する。
• テキストデータおよびマルチモーダル設定で、ゼロショット、Few-shot、CoT、外部ツール（Python/Wolfram）プロンプトの下で、オープンソースおよび商用を含む unimodal/ multimodal LLM を評価する。
• 数値解答に対してゼロ温度設定と相対 5% 調整を用い、プロンプトツールと解答を手動で整合・検証する。
• 誤答を ten identified scientific problem-solving skills にマッピングする、LLM が主体となる自己批評型検証器を開発し、エラー分析を行う。

実験結果

リサーチクエスチョン

• RQ1 SciBench は、高校レベルではなく大学レベルの多段階問題でモデル間の性能差を識別できるか？
• RQ2 prompting 戦略（CoT、few-shot）と外部ツールは、さまざまな問題解決スキルにどのような影響を与えるか？
• RQ3 大学レベルの科学問題における LLM の共通の失敗モードとスキル欠如は何か？
• RQ4 マルチモーダル文脈（視覚・グラフデータ）は LLM の性能とツール使用に意味のある影響を与えるか？

主な発見

• 評価されたモデルの中で最も良い総合的テキスト性能は、 strongest configuration（Few-Shot CoT with Python tool use）で 43.22% 。
• マルチモーダルサブセットのパフォーマンスは著しく低く、GPT-4 系列の strongest configuration で平均約 13.8% 。
• 閉じた試験データセットは strongest configurations で平均 51.57% を示すが、人間のパフォーマンスには及ばない。
• CoT は計算能力を向上させるが、ゼロショット設定では気まずい推論や論理的分解といった他の能力を劣化させる可能性がある。
• 外部ツールは計算誤差を減らすことができる一方、コード変換などの他の能力を弱める場合がある。 Few-shot 学習は科学的問題解決能力を普遍的に向上させるわけではない。
• SciBench は容量とプロンプトによってモデルを効果的に区別しており、いずれの単一プロンプト戦略も普遍的に他を上回るわけではないことを示している。