还能这么玩？清华给 ChatGPT 做逆向，发现了 ChatGPT 的进化轨迹！

2023-05-08 18:05

MLNLP社区是国内外知名的机器学习与自然语言处理社区，受众覆盖国内外NLP硕博生、高校老师以及企业研究人员。

社区的愿景是促进国内外自然语言处理，机器学习学术界、产业界和广大爱好者之间的交流和进步，特别是初学者同学们的进步。

转载自 | 夕小瑶科技说

作者 | 小戏、Python

立足一个 ChatGPT，现在对大模型的研究简直是百花齐发百家争鸣，用 ChatGPT 做化学实验、给 ChatGPT 做心理测试、诱导 ChatGPT 越狱泄漏隐私、让几个 ChatGPT 形成一个小社会等等不胜枚举。

而最近，清华的研究团队又在大模型研究中另辟蹊径，不仅构建了一个数据集记录 ChatGPT 随时间的“版本迭代”，更是通过逆向分析探索得到了 OpenAI 对 ChatGPT 动的手脚做的改进，推演出了 ChatGPT 的进化轨迹！论文和项目地址如下：

论文题目：
ChatLog: Recording and Analyzing ChatGPT Across Time
论文链接：
https://arxiv.org/pdf/2304.14106.pdf
项目链接：
https://github.com/THU-KEG/ChatLog

首先让我们来看一张图，其实毋庸置疑，OpenAI 在 ChatGPT 如此庞大的用户基数下，必然会借助这些海量的“优质数据”让 ChatGPT 不断的迭代进化。以 ELI5 数据集（包含很多 Explain Like I am 5 问题的数据集）为例，在 3 月 9 号的 ChatGPT 版本中，ChatGPT 只给出了一个相当简陋的回答，很显然 ChatGPT 在 3 月 9 号还没有完全理解什么是“Explain Like I am 5”，但是在 4 月 9 号时，ChatGPT 已经完成了进化，不仅表达更加生动，甚至还使用了比喻的修辞。

显然，一个直觉的问题是“ChatGPT 是沿着什么方向变化的？”，如果可以搞清楚这个问题，不仅是可以满足一下我们的好奇心，更是给 ChatGPT 客观的评估工作带来了方便。但这个问题并不是 OpenAI 会写在文档里供我们即插即用的问题，因而，这篇工作应运而生，总的来说，论文完成了两件事，一是分别构建了一个按日还按月记录 ChatGPT 变化的数据集；二则是利用这个数据集对 ChatGPT 的进化轨迹进行了分析，得出了不少有意思的结论。

ChatLog——ChatGPT 进化数据集

关于数据集，作者团队从两个角度出来，一个是构建一个以月份为时间维度的数据集，一个是构建一个以日期为时间维度的数据集。对于按月记录的数据集而言，作者团队从数据集 HC3（一个包含大约两万四千条问题及其对应的人类专家答案和 ChatGPT 答案的数据集）、Jack of All Trades （一个用于评估 ChatGPT 在25个公共 NLP 数据集上的 25 个不同 NLP 任务性能的数据集）以及一系列其他数据集中抽取了涵盖计算机、数学、金融等不同领域的共 38730 个问题-答案对，每月询问一次 ChatGPT，构成 ChatLog-Monthly。

而为了监测 ChatGPT 每天的变化，论文从 HC3 数据集中随机抽取了1000个问题，从 2023 年 3 月 5 日到 4 月 9 日重复发送给ChatGPT。其中有些问题是开放性的，可能需要 ChatGPT 借助外部知识，而有部分问题是分析性的，主要考验 ChatGPT 的分析能力。总体大约 30% 是“What”类型的问题，30% 是“How”类型的问题，58% 是为“Why”类型的问题，其他类型的问题占 6%。通过在这些问题上 ChatGPT 的表现，可以评估它在多方面的表现，如多领域知识理解、推理、解释等。

分析——ChatGPT 的进化轨迹

有了数据集，选取相应评价指标，便可以看出 ChatGPT 随时间的进化轨迹。如下表所示，对比 1 月份的 ChatGPT 在不同任务数据集上的结果，可以看出 New ChatGPT 有了几乎全线的提升。

总结来看，对比 1 月，ChatGPT 主要完成了以下的升级：

在攻击性与垃圾文本分类任务中，New ChatGPT 有了显著的提升，几乎接近现有模型的 SOTA，这表明 ChatGPT 在识别攻击性与垃圾文本的能力方面有了巨大的提升，这种提升很有可能是开放用户的攻击带来的；
对于需要数学推理的任务，ChatGPT 有了显著的改进，在 MathQA 数据集上的准确率从 71.40% 提高到了 78.00%。

关注推理能力，从下面的图中可以看出，3 月 5 号的 ChatGPT 使用了错误的推理得出来了错误的答案，但是在 4 月份，ChatGPT 的推理能力便完成了升级，已经可以正确的理解问题并加以推导并得到正确的答案。显然，在 ChatGPT 这种进化速度下，如果没有固定 ChatGPT 的时间版本，那么非常有可能因为忽略 ChatGPT 升级这一关键因素而得出错误的评估结果。

值得注意的是，在一些依赖先验知识的任务中，ChatGPT 的性能发生了下降，如在 WNLI 数据集上，ChatGPT的准确率从 1 月份的 81.69% 下降到 71.83%。换言之，大量语料的涌入对 ChatGPT 而言有可能并不全然是一件好事，与人类的互动也会增加 ChatGPT 的机器幻觉。

而对 ChatLog-Daily 而言，这种变化可以被更加细致的可视化如下（后缀 p，r，f 分别表示精确度，召回率和 F1 分数）：

可以看到，ChatGPT 生成的答案正在变得更加简洁，在追求精度与广度的平衡，以获得更高的可读性。但是，单纯分析这种准确率召回率，其实没法真正透视 OpenAI 到底做了什么，这些指标也无法分析出为什么时隔一个月，ChatGPT 便学会用比喻来解释问题了。因此，作者在这个基础上更进一步做了全面的特征提取，具体而言，作者团队将 n 个 query 在 k 天内持续丢给 ChatGPT，得到了 n*k 维的回复矩阵R，再对 R 中每天的回复提取 m 个特征（情感特征、知识特征、语言特征），构成集合 E 。如下图所示，作者利用对应不同的工具，提取出了知识、语言、情感等总计 265 个的丰富特征。

根据这些特征，作者探索了特征与对应得分之间的关系，可以看到，语义特征与召回率正相关与准确率负相关，结合前面 ChatLog-Daily 的分析结果，可以看出 OpenAI 在语义丰富度方面加强了 ChatGPT。

那么什么在快速迭代中，ChatGPT 的什么特征是稳定的呢？论文定义了一个特征稳定的评估指标——变异系数，公式如下：

其中，h∈{1,...,m}为特征的索引。通过在 ChatLog-Daily 上进行测试，可以看到最稳定的指标是可读性与语义清晰度。也就是说，这几个指标是 ChatGPT 做的最好的核心竞争力。

总结与讨论

总的来说，这篇论文从 ChatGPT 时间变化性这个角度切入去深入的了解了 ChatGPT 所关注的特征，并且也关注到了 ChatGPT 特征的动态变化，这为许多基于 ChatGPT 的探索性研究铺了一条方便的道路，也或多或少规避了一些因为 ChatGPT 的进化而不应该得出的错误结论。

或许，这样对 ChatGPT 进化数据集的记录与开源，也可以为我们谱写大模型的史书留下了殷实的资料库吧！

技术交流群邀请函

△长按添加小助手

扫描二维码添加小助手微信

请备注：姓名-学校/公司-研究方向（如：小张-哈工大-对话系统）即可申请加入自然语言处理/Pytorch等技术交流群

关于我们

MLNLP 社区是由国内外机器学习与自然语言处理学者联合构建的民间学术社区，目前已经发展为国内外知名的机器学习与自然语言处理社区，旨在促进机器学习，自然语言处理学术界、产业界和广大爱好者之间的进步。

社区可以为相关从业者的深造、就业及研究等方面提供开放交流平台。欢迎大家关注和加入我们。

微信扫码关注该文公众号作者

戳这里提交新闻线索和高质量文章给我们。

来源: qq

点击查看作者最近其他文章