慢思考准确率反降30%！普林斯顿揭示思维链某些任务上失效的秘密

OpenAI o1彻底带火慢思考和思维链（CoT）方法，但CoT在某些任务上反而会降低模型表现。

比如给生造的词分类任务，GPT-4在zero-shot提示下的准确率高达94%，换成CoT的准确率却断崖式下跌到64.4%。

内置CoT的o1-preview准确率更是只有57.7%。

CoT究竟会“搞砸”哪些任务，在学术界仍是一个悬而未决的问题。

现在，普林斯顿计算机系与心理系合作，确定了其中一些任务的特征：人类深思熟虑或被要求解释自己的思路时，也会降低在这些任务上的表现。

新论文“一步一步想，但小心脚下”已上传到arXiv。

心理学探索思维链掉链子原因

为了缩小要探索的范围，团队在CoT提示和人类进行语言思考之间进行了类比。

大模型和人类具能力有着根本不同，因此影响表现的约束因素也不同。如大模型的上下文长度很长，远远超出了人类的记忆限制。

因此，团队预计CoT将在以下情况下损害模型性能：

（i） 深思熟虑会损害人类的表现
（ii） 影响人类在任务上表现的约束条件，可以普遍性地推广到大模型。

在实验中，选择了心理学文献中的6项任务，其中隐式统计学习、面部识别、包含异常的数据分类符合假设条件。

隐式统计学习（Implicit Statistical Learning）

心理学研究发现，当包含统计模式的数据不用语言来描述时，人类可以更好地概括这些数据。

使用有限状态语法构建“人造单词”，参与者的任务是识别哪些单词属于同一类别。

人类参与者可以识别格式不正确的序列，但无法用语言表达他们判断的基础。

在几个开源和闭源模型上评估这项任务，发现与zero-shot提示相比，使用CoT提示时性能大幅降低。

面部识别（Facial Recognition）

另一类任务中语言思考会干扰视觉感知，称为语言遮蔽（verbal overshadowing）。

在实验中选用了经典的人脸识别任务，首先展示一个人脸照片，要求参与者从候选列表中找出同一个人。

人类参与者不说话直接选准确率更高，先描述看到的人脸再选的话面部识别能力反而受损。

多模态大模型的表现相似，当使用CoT提示时，所有模型性能都下降。其中较弱的模型倾向于回答“所有图像都是同一个人的”。

包含异常的数据分类（Classifying Data With Patterns That Contain Exceptions）

第三类任务设置比较复杂，其中包含一个陷阱。

有10辆不同的车需要分为A类和B类，每辆车有5个特征：

1个独特特征（车牌号，每辆车不同）

1个看起来有规律的特征，如颜色，但有20%的例外。

3个与分类无关的特征，如变速箱类型、座椅材质、车门数量

实际上只有车牌号才是最可靠的分类依据。

如果10辆车没有全部猜对，就会重新打乱顺序再来一轮，最多可以尝试15轮。

不用CoT提示时，模型很快就能记住每辆车的正确分类。使用CoT时，模型会陷入试图总结规律的思维定式，需要尝试的轮数增加。

和人类在被要求解释分类依据时的表现很像。

大模型和人类约束条件不同

同时，研究团队也找出三种，满足思考降低人类表现，但大模型使用CoT提示能提升性能的任务。

自然语言推理

空间直觉（涉及模型缺乏相关先验知识）

涉及工作记忆限制的任务

团队分析原因认为，模型和人类具有根本不同的能力，存在不同的约束条件影响其性能，

这是因为大模型拥有远超人类的工作记忆（上下文长度）和某些特定的逻辑推理能力。

换言之，CoT到底好不好用，还得具体情况具体分析。

这项研究更大的意义在于，将认知心理学与大模型之间建立了联系。

论文的讨论部分提出，心理学界几十年来积累的丰富文献中，或许还能找出更多推进大模型领域的见解。

论文地址：
https://arxiv.org/abs/2410.21333