ChatGPT 真能记住你的话吗？DeepMind 与开源大佬揭示 LLM 记忆之谜

【新智元导读】LLM 有记忆能力吗？有，也没有。虽然 ChatGPT 聊天时好像可以记住你之前说的话，但实际上，模型在推理时记不住任何内容，而且它们在训练时的记忆方式也不像我们想象的那么简单。

Django 框架的创始人之一、著名开发者 Simon Willison 最近发表了一篇博客文章，核心观点是 —— 虽然很多 LLM 看起来有记忆，但本质上是无状态函数。

文章地址：https://simonwillison.net/2024/May/29/training-not-chatting/

Mozilla 和 FireFox 的联合创始人、JavaScript 发明者 Brendan Eich 也在推特上称赞这篇博客。

似乎有记忆的 LLM

从计算机科学的角度来看，最好将 LLM 的推理过程视为无状态函数调用 —— 给定输入文本，它会输出接下来应该做什么。

然而使用过 ChatGPT 或者 Gemini 的人会明显感觉到，LLM 似乎可以记住之前的对话内容，好像模型有记忆能力。

然而这并不能归功于模型本身。

事实上，用户每次提出一个问题时，模型收到的提示都会包含之前所有的对话内容，这些提示就是我们经常说的「上下文」。

如果不提供上下文，LLM 将完全不知道之前讨论的内容。

所以，重新打开一个对话界面时，对 LLM 而言就是一个「从头再来」的全新文本序列，完全独立于你和其他用户之前发生的对话。

从另一个角度看，这种「失忆」也有好处。比如，模型开始胡说八道，或者拒绝回答你的合理问题时，就可以试试重置对话窗口。也许在新的对话中，模型的输出就能回到正轨。

这也是为什么 LLM 的上下文长度是一个重要的指标。如果对话过长、超出了上下文窗口，最早的那部分对话就会从提示中移除，看起来就像是模型的「遗忘」。

Andrej Karpathy 将上下文窗口准确地形容为「LLM 工作记忆的有限宝贵资源」。

但是，有很多方法可以为 LLM 外置记忆能力，来满足产品使用的需求。

将之前的对话作为提示，和当前问题一起输入给 LLM 是最直接的方法，但这依旧是「短期记忆」，而且扩展模型的上下文长度成本很高。

GPT-4o 免费版支持 8k 上下文，付费版可以达到 128k，已经比之前的 32k 提升了 3 倍，但仍然无法保存单个网页的原始 HTML。

也可以递归地总结之前的对话内容，将历史对话摘要当作 LLM 提示。虽然可能会丢失细节，但相比直接截断的方法，更高程度上保留了内容的完整性。

另一种方法是外接矢量数据库，为 LLM 添加「长期记忆」。

在进行对话时，先从数据库中检索相关内容，再将其添加进上下文窗口，也就是检索增强生成（RAG）。

但如果数据库内容过多，检索过程很可能增加模型的响应延迟。

实际开发中，检索、摘要这两种手段常常搭配使用，以求在成本和性能、长期和短期记忆之间取得平衡。

LLM 的推理过程虽然等效于「无状态函数」，但训练过程并不是这样，否则它也无法从语料中学习到任何知识。

但我们对于 LLM 记忆的分歧之处在于，它到底是用「机械」的方式复制了训练数据，还是更像人类的学习过程，用理解、概括的方式将数据内容集成在参数中。

DeepMind 近期发表的一篇论文或许可以从另一个角度揭示这个问题。

论文地址：https://arxiv.org/ abs / 2404.15146

他们使用与训练语料相似的 prompt 攻击 LLM，看它能否逐字逐句地输出训练数据。

但 Falcon、Llama、Mistral 这种常用的半开放 LLM，以及 GPT 系列都没有公开训练数据，要怎么判断模型的输出是否包括在训练集中？

论文使用了一种巧妙的方法进行判断：首先，从 RefinedWeb、RedPajama、Pile 等常用的 LLM 预训练数据集中选取了 9TB 的文本作为辅助数据集。

如果模型输出的文本序列足够长、信息熵又足够大，而且还和辅助数据集内容重合，那么基本可以断定模型在训练时见过这条数据。

这样的判断方法会存在假阴性，因为辅助数据集不可能涵盖所有模型的训练数据，但几乎没有假阳性，因此得到的结果可以作为模型「复现」训练内容的比例下界。

结果发现，所有的模型都能逐字逐句地输出训练数据，只是概率有所差异。

从结果可以发现，参数量越大的模型似乎记住的内容越多，越有可能在输出中让训练数据回流。

不同系列的模型之间差异比较显著。比如 7B 参数的 Mistral 相比 Falcon，有将近 10 倍的概率原样吐出训练数据。

但可能的原因有很多，既能解释为模型记忆能力的差距，也能归因于为辅助数据集的偏差。

有趣的是，如果 prompt 的要求是一直持续输出某个单词，有些单词更有可能触发模型吐出训练数据。

最有效的一个单词是「company」

作者指出，从安全的角度来看，这说明对齐过程没有完全模糊模型的记忆，这些可提取的训练数据会带来版权纠纷与隐私泄露问题。

但从另一个角度来看，这证明，一定比例的训练数据被无损压缩而且存储在了模型参数中。模型的记忆方式，果然是有些「机械化」的成分。

更进一步思考，如果改进 LLM 的记忆方式，让训练数据以更概括、更抽象的方式存储在参数中，能否带来模型能力的持续提升？

参考资料：

https://simonwillison.net/2024/May/29/training-not-chatting/
https://medium.com/@iankelk/how-chatgpt-fools-us-into-thinking-were-having-a-conversation-fe3764bd5da1

本文来自微信公众号：新智元（ID：AI_era）

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。