Почему предсказание возможностей фронтовых моделей искусственного интеллекта с учетом масштаба остается недостижимой задачей?

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

June 6, 2024

Авторы: Rylan Schaeffer, Hailey Schoelkopf, Brando Miranda, Gabriel Mukobi, Varun Madan, Adam Ibrahim, Herbie Bradley, Stella Biderman, Sanmi Koyejo

cs.AI

Аннотация

Предсказуемое поведение при масштабировании передовых систем искусственного интеллекта является чрезвычайно желательным свойством. Хотя существует обширная литература о том, как масштабируется производительность предварительного обучения, литература о том, как масштабируются конкретные возможности на следующем уровне, значительно запутана. В данной работе мы делаем шаг назад и спрашиваем: почему предсказание конкретных возможностей на следующем уровне с масштабированием остается неясным? Хотя многие факторы, безусловно, ответственны, мы выявляем новый фактор, который затрудняет моделирование поведения масштабирования на широко используемых бенчмарках с множественным выбором ответов. Используя пять семейств моделей и двенадцать хорошо известных бенчмарков с множественным выбором, мы показываем, что производительность на следующем уровне вычисляется из отрицательных логарифмических вероятностей через последовательность преобразований, которые постепенно ухудшают статистическую связь между производительностью и масштабом. Затем мы раскрываем механизм, вызывающий это ухудшение: метрики на следующем уровне требуют сравнения правильного выбора с небольшим количеством конкретных неправильных выборов, что означает, что точное предсказание возможностей на следующем уровне требует предсказания не только того, как концентрируется вероятностная масса на правильном выборе при масштабировании, но и того, как вероятностная масса колеблется на конкретных неправильных выборах при масштабировании. Мы эмпирически изучаем, как вероятностная масса на правильном выборе совместно изменяется с вероятностной массой на неправильных выборах при увеличении вычислительных ресурсов, предполагая, что законы масштабирования для неправильных выборов могут быть достижимы. Наша работа также объясняет, почему законы масштабирования предварительного обучения обычно считаются более предсказуемыми, чем возможности на следующем уровне, и способствует установлению предсказуемых оценок масштабирования для передовых моделей искусственного интеллекта.

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.