输入端多样化,而非推理过程:LLM 测试时增强方法比较

8 十一月 202617 视图

该研究在调用次数相同的条件下,对比了 LLM 推理过程中的不同变异来源——改写提示词、更改拼写和图像变换。在六个基准测试中,保留语义带来了最大的准确率提升,而字符级噪声和同时扰动两种模态的效果则较差。

输入端多样化,而非推理过程:LLM 测试时增强方法比较

两种多样性来源:输入与推理

Test-Time Augmentation (TTA) 会聚合经过转换的输入数据版本所产生的预测结果。多样性来自改写问题、更改拼写或转换配套图像。Self-consistency 则采用不同方式:只改变推理路径,并重复使用固定输入。

方法多样性来源
TTA经过转换的输入数据版本
Self-consistency固定输入下的推理路径

TTA 检验对输入变化的稳健性。Self-consistency 检验同一输入下推理的稳健性。选择取决于任务需要哪种多样性来源。

为什么推理调用次数相等会改变结论

作者在六个基准测试上比较了不同方案。推理调用次数相同。这样的条件能将多样性来源的影响与额外计算的影响区分开来。

  • 六个基准测试;
  • 调用次数相同;
  • 比较多样性来源,而非计算量。

作者指出:多样性来源比其数量更重要。由此得出的选择建议是:比较方法时,应确保调用次数相同。否则,准确率提升可能归因于调用次数增加,而非多样性来源。

改写:准确率提升与提前达到峰值

在保留含义的前提下改写输入,带来了最大的准确率提升。相较于单次调用,准确率提高了 +1.80 个百分点。使用最少的样本数即可达到准确率峰值。

对于 Claude Haiku 等中等水平的模型,改变问题的措辞比改变推理路径更能有效利用一次推理调用。

实践结论:如果转换能够保留含义,改写就是 TTA 的首选方案。它既能提升准确率,也能更早达到峰值。

字符级噪声:分歧更多,收益更少

字符级噪声导致答案之间的分歧更多:37.8%,而另一种方式为 27.4%。准确率提升则较低。答案差异大并不意味着聚合能带来收益。

含义被破坏后产生的分歧并不可靠。此类分歧无法为聚合提供有用信号。

实践结论:评估准确率,而不仅仅是分歧比例。字符级噪声不能替代保留含义的转换。

双重扰动:组合何时效果更差

同时扰动两种模态,得到的结果低于单次调用的基线水平。组合转换并不能保证提升。

  • 同时扰动两种模态;
  • 结果低于单次调用的基线水平;
  • 单独检验组合效果。

实践结论:只有在单独比较后,才值得组合模态。否则,TTA 的表现可能低于单次调用。

如何在实践中选择方法

选择标准取决于多样性来源、是否保留含义以及调用次数是否相同。

任务方法
检验对措辞的稳健性使用改写的 TTA
在输入不变时检验推理的稳健性self-consistency
评估对拼写的敏感度使用字符级噪声的 TTA
组合模态仅在单独比较后进行

实践标准:根据任务选择多样性来源。若要通过 TTA 提高准确率,改写带来了测得的最大效果。若要在输入不变时检验推理,则应采用 self-consistency。

常问问题

输入端多样化,而非推理过程:LLM 测试时增强方法比较