442 个作者，100 页论文一半都是参考文献，谷歌耗时 2 年发布开源大模型新基准 BIG-Bench

一篇 AI 论文，442 个作者，其中还专门留了一章节写作者贡献，100 页里超过一半都是参考文献……

谷歌最新发布的论文 ——Beyond The Imitation Game: Quantifying And Extrapolating The Capabilities Of Language Models 作者那一栏就变成了这样……

来自 132 个机构的研究学者，耗时两年提出了一个大语言模型新基准 BIG-bench。并在此基础上评估了 OpenAI 的 GPT 模型，Google-internal dense transformer 架构等，模型规模横 6 个数量级。

最终结果显示，模型性能虽然随着规模的扩大而提高，但跟人类的表现相差还很远。

对于这项工作，Jeff Dean 转发点赞：Great Work。

大语言模型新基准

来康康这篇论文究竟说了什么。

随着规模的扩大，模型的性能和质量都有一定的改进，这当中可能还存在一些变革性影响，但这些性能此前都没有很好的描述。

现存的一些基准都有一定的局限性，评估范围比较狭窄，性能分数迅速达到饱和。

比如 SuperGLUE，在该基准推出后的 18 个月内，模型就实现了“超过人类水平”的性能。

基于这样的背景，BIG-bench 就诞生了。

目前它由 204 个任务组成，内容涵盖语言学、儿童发展、数学、常识推理、生物学、物理学、社会偏见、软件开发等方面的问题。

此外还有个人类专家评审团，也执行了所有任务，以提供基线水平。

为了方便更多机构使用，研究人员还给出了 BIG-bench Lite，一个小型但有代表性的任务子集，方便更快地评估。

以及开源了实现基准 API 的代码，支持在公开可用的模型上进行任务评估，以及新任务的轻量级创建。

最终评估结果可以看到，规模横跨六个数量级，BIG-bench 上的总体性能随着模型规模的扩大、训练样本数量的增加而提高。

但跟人类基线水平相比，还是表现得比较差。

具体在一些任务上，模型性能会随着规模的增加而平稳地提高。但有时候，会在特定规模上突然出现突破性表现。

此外，它还可以评估模型存在的社会偏见。

此外，他们还意外发现模型还可以 get 一些隐藏技能。比如，如何在国际象棋中合乎规则的移动。

值得一提的是，可能因为作者过多，论文最后还专门留了一章写作者贡献。洋洋洒洒的写了 14 页，其中包括核心贡献者、Review 的、提供任务的……

剩下的，还有 50 页的参考文献。

好了，感兴趣的旁友可戳下方链接康康论文。

论文链接：

https://arxiv.org/abs/2206.04615

GitHub 链接：

https://github.com/google/BIG-bench

广告声明：文内含有的对外跳转链接（包括不限于超链接、二维码、口令等形式），用于传递更多信息，节省甄选时间，结果仅供参考，IT之家所有文章均包含本声明。