白交 发自 凹非寺
量子位 | 公众号 QbitAI
一篇AI论文，442个作者。
其中还专门留了一章节写作者贡献。
100页里超过一半都是参考文献……
不是，现在都流行这样式儿的论文吗？
这不，谷歌最新发布的论文——Beyond The Imitation Game: Quantifying And Extrapolating The Capabilities Of Language Models。
于是作者那一栏就变成了这样……
来自132个机构的研究学者，耗时两年提出了一个大语言模型新基准BIG-bench。
并在此基础上评估了OpenAI的GPT模型，Google-internal dense transformer架构等，模型规模横6个数量级。
最终结果显示，模型性能虽然随着规模的扩大而提高，但跟人类的表现相差还很远。
对于这项工作，Jeff Dean转发点赞：Great Work。
大语言模型新基准
来康康这篇论文究竟说了什么。
随着规模的扩大，模型的性能和质量都有一定的改进，这当中可能还存在一些变革性影响，但这些性能此前都没有很好的描述。
现存的一些基准都有一定的局限性，评估范围比较狭窄，性能分数迅速达到饱和。
比如SuperGLUE，在该基准推出后的18个月内，模型就实现了“超过人类水平”的性能。
基于这样的背景，BIG-bench就诞生了。
目前它由204个任务组成，内容涵盖语言学、儿童发展、数学、常识推理、生物学、物理学、社会偏见、软件开发等方面的问题。
此外还有个人类专家评审团，也执行了所有任务，以提供基线水平。
为了方便更多机构使用，研究人员还给出了BIG-bench Lite，一个小型但有代表性的任务子集，方便更快地评估。
以及开源了实现基准API的代码，支持在公开可用的模型上进行任务评估，以及新任务的轻量级创建。
最终评估结果可以看到，规模横跨六个数量级，BIG-bench上的总体性能随着模型规模的扩大、训练样本数量的增加而提高。
但跟人类基线水平相比，还是表现得比较差。
具体在一些任务上，模型性能会随着规模的增加而平稳地提高。但有时候，会在特定规模上突然出现突破性表现。
此外，它还可以评估模型存在的社会偏见。
此外，他们还意外发现模型还可以get一些隐藏技能。比如，如何在国际象棋中合乎规则的移动。
作者贡献写了14页
值得一提的是，可能因为作者过多，论文最后还专门留了一章写作者贡献。
洋洋洒洒的写了14页，其中包括核心贡献者、Review的、提供任务的……
剩下的，还有50页的参考文献。
好了，感兴趣的旁友可戳下方链接康康论文。
论文链接：
https://arxiv.org/abs/2206.04615
GitHub链接：
https://github.com/google/BIG-bench
参考链接：
https://twitter.com/jaschasd/status/1535055886913220608