Het Goede, Het Slechte en Het Hebzuchtige: Evaluatie van LLM's Moet Non-Determinisme Niet Negeren

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

July 15, 2024

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

cs.AI

Samenvatting

Huidige evaluaties van grote taalmodellen (LLM's) negeren vaak non-determinisme, waarbij meestal wordt gefocust op een enkele uitvoer per voorbeeld. Dit beperkt ons begrip van de prestatievariabiliteit van LLM's in real-world toepassingen. Onze studie behandelt dit probleem door belangrijke vragen te onderzoeken over de prestatieverschillen tussen greedy decoding en sampling, de consistentie van benchmarks met betrekking tot non-determinisme te identificeren, en unieke modelgedragingen te analyseren. Door uitgebreide experimenten observeren we dat greedy decoding over het algemeen beter presteert dan samplingmethoden voor de meeste geëvalueerde taken. We zien ook consistente prestaties bij verschillende LLM-groottes en alignatiemethoden, waarbij we opmerken dat alignatie de samplingvariantie kan verminderen. Bovendien toont onze best-of-N sampling-benadering aan dat kleinere LLM's grotere modellen zoals GPT-4-Turbo kunnen evenaren of overtreffen, wat het onbenutte potentieel van kleinere LLM's benadrukt. Dit onderzoek toont het belang aan van het overwegen van non-determinisme in LLM-evaluaties en biedt inzichten voor toekomstige LLM-ontwikkeling en -evaluatie.

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.