Il Buono, il Cattivo e l'Avido: La Valutazione dei Modelli Linguistici Non Dovrebbe Ignorare la Non-Determinismo

The Good, The Bad, and The Greedy: Evaluation of LLMs Should Not Ignore Non-Determinism

July 15, 2024

Autori: Yifan Song, Guoyin Wang, Sujian Li, Bill Yuchen Lin

cs.AI

Abstract

Le valutazioni attuali dei grandi modelli linguistici (LLM) spesso trascurano il non-determinismo, concentrandosi tipicamente su un singolo output per esempio. Ciò limita la nostra comprensione della variabilità delle prestazioni degli LLM nelle applicazioni del mondo reale. Il nostro studio affronta questa problematica esplorando questioni chiave riguardanti le differenze di prestazione tra il decoding greedy e il sampling, identificando la coerenza dei benchmark rispetto al non-determinismo, ed esaminando comportamenti unici dei modelli. Attraverso esperimenti estensivi, osserviamo che il decoding greedy generalmente supera i metodi di sampling per la maggior parte dei compiti valutati. Notiamo inoltre prestazioni coerenti tra diverse dimensioni degli LLM e metodi di allineamento, osservando che l'allineamento può ridurre la varianza del sampling. Inoltre, il nostro approccio di best-of-N sampling dimostra che LLM più piccoli possono eguagliare o superare modelli più grandi come GPT-4-Turbo, evidenziando il potenziale inesplorato degli LLM più piccoli. Questa ricerca mostra l'importanza di considerare il non-determinismo nelle valutazioni degli LLM e fornisce spunti per lo sviluppo e la valutazione futura degli LLM.

English

Current evaluations of large language models (LLMs) often overlook non-determinism, typically focusing on a single output per example. This limits our understanding of LLM performance variability in real-world applications. Our study addresses this issue by exploring key questions about the performance differences between greedy decoding and sampling, identifying benchmarks' consistency regarding non-determinism, and examining unique model behaviors. Through extensive experiments, we observe that greedy decoding generally outperforms sampling methods for most evaluated tasks. We also observe consistent performance across different LLM sizes and alignment methods, noting that alignment can reduce sampling variance. Moreover, our best-of-N sampling approach demonstrates that smaller LLMs can match or surpass larger models such as GPT-4-Turbo, highlighting the untapped potential of smaller LLMs. This research shows the importance of considering non-determinism in LLM evaluations and provides insights for future LLM development and evaluation.