俄乌冲突已持续30多个月，泽连斯基上述声明是在乌克兰控制了俄罗斯库尔斯克部分地区以及莫斯科向乌克兰东部推进之际宣布的。
作为全球主要储备货币，美元长期在国际金融体系中占据主导地位，全球大多数国家都以美元结算石油及原材料等大宗商品交易。许多发展中国家因本币币值不稳或在国际市场缺乏信任度，只能依赖美元作为外汇储备和对外支付的工具。
苹果的研究员 Mehrdad Farajtabar 等人最近发表了一篇论文，对大型语言模型 (LLM) 的推理能力提出了尖锐的质疑，他认为，LLM 的“推理” 能力，其实只是复杂的模式匹配，不堪一击！
论文作者研究了包括 Llama、Phi、Gemma、Mistral 等开源模型，以及 GPT-4o 和 o1 系列等闭源模型。需要指出的是，在 OpenAI 发布 GSM8K 的三年里，模型的性能有了显著提升，从 GPT-3 (175B) 的 35% 提升到了现在 30 亿参数模型的 85% 以上，更大的模型甚至超过了 95%。但 Farajtabar 认为，这并不能证明 LLM 的推理能力真的提高了
为了测试 LLM 的数学推理能力的极限，Farajtabar 和他的团队开发了一个名为 什么叫用杠杆炒股GSM-Symbolic 的新工具，它可以根据 GSM8K 测试集创建符号模板，从而能够生成大量实例并设计可控实验。他们生成了 50 个独特的 GSM-Symbolic 集合，这些集合本质上就像 GSM8K 示例，但具有不同的值和名称
GSM8K 是 “Grade School Math 8K” 的缩写，是一个用来评估数学问题解决能力的数据集。这个数据集主要包含小学级别的数学题目（大约 8,000 道题目），通常用于训练和测试机器学习模型，特别是在自然语言处理领域的模型如何处理和解决数学问题
实验结果，令人大跌眼镜：1.当前 GSM8K 的准确率并不可靠！ 不同模型在 GSM8K 上的表现差异巨大，例如 Llama 8B 的得分在 70% 到 80% 之间，Phi-3 的得分在 75% 到 90% 之间，等等。对于大多数模型，在 GSM-Symbolic 上的平均性能低于在 GSM8K 上的平均性能
2.所谓的 LLM 推理能力不堪一击！ LLM 对专有名词和数字的更改非常敏感，这说明它们并没有真正理解数学概念。就像一个小学生，如果我们只是更改了数学测试题中的人名，他的分数就会下降 10% 吗？显然不会
3.随着问题难度的增加 (M1 → Symbolic → P1 → P2)。引入了 GSM-Symbolic 的三个新变体来研究模型行为：删除一个分句（GSM-M1）、增加一个分句（GSM-P1）或增加两个分句（GSM-P2），模型的性能下降，方差上升， 这意味着模型的可靠性越来越差
4.引入 GSM-NoOp 后，模型性能断崖式下跌！ GSM-NoOp 是在 GSM-Symbolic 的基础上，添加了一个看似相关但不影响整体推理的子句。所有模型，包括 o1 模型，都表现出了显著的性能下降。这说明，即使是强大的 o1 模型，也无法真正理解数学问题的逻辑结构
5.即使是 OpenAI 的 o1 系列模型，也无法完全避免这些问题。 o1-preview 虽然有所改进，但仍然会犯一些低级错误，例如无法理解“现在”和“去年”的区别，这可能是因为训练数据中包含了“通货膨胀”的模式，模型只是简单地模仿了这种模式
Farajtabar 认为，
LLM 的这些表现，更好地解释是复杂的模式匹配，而不是真正的逻辑推理。 即使我们增加数据、参数和计算量，或者使用更好的训练数据，也只是得到了“更好的模式匹配器”，而不是“更好的推理器”
Denny Zhou (谷歌 DeepMind 的 LLM 推理团队负责人) 也参与了讨论，他指出：
“这项工作的一个关键发现是：向 GSM8k 问题添加不相关的上下文会导致 LLM 无法解决这些问题，正如我们在 ICML 2023 年的论文‘大型语言模型很容易被不相关的上下文分散注意力’ 中所证明的那样。提示构建的差异在我看来仍然很有趣。”
Yuandong Tian (Meta AI 的研究科学家总监) 也表达了他的观点：
“核心问题是：1️⃣凭借我们的领域知识，我们可以构建权重，使 LLM 在特定问题中进行良好的推理；2️⃣然而，梯度下降可能无法学习到这样的权重；3️⃣我们仍然依赖梯度下降，因为它为许多领域带来了魔力——如果它在其他领域变得愚蠢，我们也无能为力。”
结论
总的来说，这篇论文研究结果没有在包括 Llama、Phi、Gemma 和 Mistral 等开源模型，以及最近的 OpenAI GPT-4o 和 o1 系列等领先闭源模型在内的语言模型中，找到任何形式推理的证据。他们的行为可以用复杂的模式匹配来更好地解释——如此脆弱，以至于更改名称都会使结果改变约 10%！我们可以扩展数据、参数和计算量——或者为 Phi-4、Llama-4、GPT-5 使用更好的训练数据。但这可能只会产生“更好的模式匹配器”，而不是“更好的推理器”
本文作者：opencat，文章来源：AI寒武纪，原文标题：《AI 推理能力大“翻车”！苹果最新论文：LLM只是复杂的模式匹配，而不是真正的逻辑推理》。
风险提示及免责条款 市场有风险，投资需谨慎。本文不构成个人投资建议，也未考虑到个别用户特殊的投资目标、财务状况或需要。用户应考虑本文中的任何意见、观点或结论是否符合其特定状况。据此投资，责任自负。
