Waarom is het voorspellen van downstream-capaciteiten van frontier AI-modellen met schaal tot nu toe moeilijk gebleven?

Samenvatting

Voorspelbaar gedrag van schaalbare geavanceerde AI-systemen is een uiterst wenselijke eigenschap. Hoewel er een goed gevestigde literatuur bestaat over hoe prestaties tijdens het vooraf trainen schalen, is de literatuur over hoe specifieke downstream-capaciteiten schalen aanzienlijk onduidelijker. In dit werk nemen we een stap terug en vragen: waarom is het voorspellen van specifieke downstream-capaciteiten met schaal tot nu toe moeilijk gebleven? Hoewel zeker veel factoren een rol spelen, identificeren we een nieuwe factor die het modelleren van schaalgedrag op veelgebruikte meerkeuzevragen-benchmarks uitdagend maakt. Met behulp van vijf modelfamilies en twaalf goed gevestigde meerkeuzevragen-benchmarks laten we zien dat downstream-prestaties worden berekend uit negatieve log-waarschijnlijkheden via een reeks transformaties die de statistische relatie tussen prestaties en schaal geleidelijk verslechteren. Vervolgens onthullen we het mechanisme dat deze verslechtering veroorzaakt: downstream-metrics vereisen het vergelijken van de juiste keuze tegen een klein aantal specifieke incorrecte keuzes, wat betekent dat het nauwkeurig voorspellen van downstream-capaciteiten niet alleen vereist hoe waarschijnlijkheidsmassa zich met schaal concentreert op de juiste keuze, maar ook hoe waarschijnlijkheidsmassa fluctueert op specifieke incorrecte keuzes met schaal. We bestuderen empirisch hoe waarschijnlijkheidsmassa op de juiste keuze samenhangt met waarschijnlijkheidsmassa op incorrecte keuzes bij toenemende rekenkracht, wat suggereert dat schaalwetten voor incorrecte keuzes haalbaar zouden kunnen zijn. Ons werk verklaart ook waarom schaalwetten voor vooraf trainen algemeen als voorspelbaarder worden beschouwd dan downstream-capaciteiten en draagt bij aan het vaststellen van schaal-voorspelbare evaluaties van frontier AI-modellen.

English

Predictable behavior from scaling advanced AI systems is an extremely desirable property. Although a well-established literature exists on how pretraining performance scales, the literature on how particular downstream capabilities scale is significantly muddier. In this work, we take a step back and ask: why has predicting specific downstream capabilities with scale remained elusive? While many factors are certainly responsible, we identify a new factor that makes modeling scaling behavior on widely used multiple-choice question-answering benchmarks challenging. Using five model families and twelve well-established multiple-choice benchmarks, we show that downstream performance is computed from negative log likelihoods via a sequence of transformations that progressively degrade the statistical relationship between performance and scale. We then reveal the mechanism causing this degradation: downstream metrics require comparing the correct choice against a small number of specific incorrect choices, meaning accurately predicting downstream capabilities requires predicting not just how probability mass concentrates on the correct choice with scale, but also how probability mass fluctuates on specific incorrect choices with scale. We empirically study how probability mass on the correct choice co-varies with probability mass on incorrect choices with increasing compute, suggesting that scaling laws for incorrect choices might be achievable. Our work also explains why pretraining scaling laws are commonly regarded as more predictable than downstream capabilities and contributes towards establishing scaling-predictable evaluations of frontier AI models.

Waarom is het voorspellen van downstream-capaciteiten van frontier AI-modellen met schaal tot nu toe moeilijk gebleven?

Why Has Predicting Downstream Capabilities of Frontier AI Models with Scale Remained Elusive?

Samenvatting

Support