Хорошее, плохое и жадное: оценка LLM не должна игнорировать недетерминизм.

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

July 15, 2024

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

cs.AI

Аннотация

Текущие оценки больших языковых моделей (LLM) часто не учитывают недетерминированность, обычно сосредотачиваясь на одном выводе на пример. Это ограничивает наше понимание изменчивости производительности LLM в реальных приложениях. Наше исследование решает эту проблему, исследуя ключевые вопросы о различиях в производительности между жадным декодированием и сэмплированием, определяя согласованность бенчмарков в отношении недетерминированности и изучая уникальные поведенческие модели. Через обширные эксперименты мы замечаем, что жадное декодирование в целом превосходит методы сэмплирования для большинства оцениваемых задач. Мы также отмечаем согласованную производительность при различных размерах LLM и методах выравнивания, отмечая, что выравнивание может снизить дисперсию сэмплирования. Более того, наш подход с выбором лучшего из N демонстрирует, что более маленькие LLM могут соответствовать или превосходить более крупные модели, такие как GPT-4-Turbo, подчеркивая неиспользованный потенциал более маленьких LLM. Это исследование показывает важность учета недетерминированности в оценках LLM и предоставляет понимание для будущего развития и оценки 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.