GPT-4数学准确率达到84.3%！港中文、清华等七所顶尖高校提出创新的CSV方法
Air Explorer Pro是一款跨平台多网盘管理工具，可实现一站式完成不同网盘间文件的互传、搜索和同步等操作。任务管理和过程控制会更完整，持续下载、批量同步或需要稳定传输流程的场景会更适合它。
虽然大型语言模型（LLMs）在常识理解、代码生成等任务中都取得了非常大的进展，不过在数学推理任务上仍然存在很大改进空间，经常会生成无意义、不准确的内容，或是无法处理过于复杂的计算。最近推出的一些语言模型，如GPT-4和PaLM-2，在数学推理方面取得了重大进步。尤其是OpenAI最新版本的模型GPT-4CodeInterpreter，在较为复杂的数学推理数据集上展现出了出色的性能为了探索「代码生成任务」对「语言模型推理能力」的影响，来自香港中文大学、南京大学、中国科学技术大学、清华大学、香港城市大学、长沙
虽然大型语言模型（LLMs）在常识理解、代码生成等任务中都取得了非常大的进展，不过在数学推理任务上仍然存在很大改进空间，经常会生成无意义、不准确的内容，或是无法处理过于复杂的计算。
最近推出的一些语言模型，如GPT-4和PaLM-2，在数学推理方面取得了重大进步。尤其是OpenAI最新版本的模型GPT-4 Code Interpreter，在较为复杂的数学推理数据集上展现出了出色的性能
为了探索「代码生成任务」对「语言模型推理能力」的影响，来自香港中文大学、南京大学、中国科学技术大学、清华大学、香港城市大学、长沙理工大学和塔夫茨大学的研究人员联合发布了一篇论文，通过在代码使用频率（Code Usage Frequency）上引入不同的约束限制进行实验验证。
论文链接：https://arxiv.org/abs/2308.07921
实验结果显示，GPT-4 Code Interpreter模型的成功在很大程度上要归功于「在生成和执行代码、评估代码执行的输出以及在收到不合理的输出」时纠正其解决方案方面的强大能力。
基于上述结论，研究人员提出了一种新颖且高效的提示方法，显式的基于代码的自我验证（CSV, code-based self-verification），以进一步提高GPT-4代码解释器的数学推理潜力。
该方法在GPT-4 Code Interpreter上采用zero-shot提示，以促使模型使用代码来对答案进行自我验证。
在验证状态为「假」的情况下，模型将自动修改其解决方案，类似于人类在数学考试中纠错的过程。
此外，研究人员还发现验证结果的状态可以指示解决方案的置信度，并进一步提高多数表决的有效性。
通过结合GPT-4 Code Interpreter和CSV方法，在MATH数据集上的零样本准确率实现了从54.9%到84.3%的显著提升
LLM的推理能力从何而来？
为了研究GPT4-Code对解决数学问题的能力受代码使用的影响，研究人员采用了一种直接的方法，即通过设计精心的提示来限制GPT4-Code与代码的交互
具体包括两种代码限制提示以及一种基础提示用来对比：
重写内容：提示1：禁止使用代码
GPT4-Code不允许在其解决方案中添加代码，也就是说模型只能完全依赖自然语言（NL）推理链，类似于思维链（CoT）框架中的解决方案，由此产生的推理步骤序列叫做CNL，如上图中（a）所示。
重写内容：请注意：代码只能使用一次
GPT4-Code只能用单个代码块内的代码来生成解决方案，类似于之前的PAL方法，论文中将此序列称为CSL，即使用符号语言（SL），如Python进行推理，上图中（b）为样例。
重写内容：基本提示：对于代码的使用没有任何限制
推理序列可表示为
，其中每个步骤都由自然语言和 Python 代码组成，示例如上图中（c）所示。
在这项研究中，除了以上所述的内容，研究人员还考虑了代码使用频率对不同提示下代码执行次数的影响。他们发现，GPT4-Code的高性能与高代码使用频率之间存在正相关关系
具体来说，提示2的代码量是提示1的两倍，并且提示2的准确率比提示1提高了6.9%。这表明使用Python代码链CSL比自然语言链CNL更能提高计算能力。这个观察结果与之前基于Python的提示方法的结果一致
然而，只能使用一次的代码存在一些缺陷。当代码输出出现错误或产生意外结果时，模型无法自我调试
在对比提示2和基本提示时，可以发现，基本提示始终能生成包含多个代码使用实例的解决方案，即代码使用频率更高，并且基本提示的准确性也明显提高。
具体可以归因于代码的两个优势有以下几点：
1. 生成一些简短的代码块，可以分割自然语言推理步骤，从而带来更高的准确率；
2. 模型有能力评估代码执行结果，并在结果中发现错误或不合逻辑的解决步骤，并进行修正。
基于代码的自验证CSV
通过对代码使用频率分析观察结果的启发，研究人员决定利用GPT4-Code的代码生成、代码评估、代码执行以及自动调整解决方案等能力，以增强方案验证并提高推理性能
CSV的主要流程是通过对GPT-Code输入提示进行代码生成来验证答案的正确性
对于验证方案C的结果V，可以分为三类：真、假、不确定
将CSV与模型结合后，我们可以使用代码来验证答案。如果验证结果显示为“错误”，我们可以审查并调整解决方案，以获得正确答案
在对初始解决方案进行完善和修正之后，准确率可以得到明显的提升
需要注意的是，验证和修正阶段都是基于代码的，因此必然会导致代码的使用频率增加
在 GPT4-Code 出现之前，先前的框架大多依赖于外部LLM使用自然语言进行验证和精心设计的少样本提示。
相比之下，CSV方法仅依赖于GPT4-Code的直接提示，以零样本的方式简化了流程，利用其先进的代码执行机制来自主验证和独立修正解决方案。
研究人员还将验证阶段集成到了加权多数表决中，为验证过程的各个状态分配了不同的权重
为了防止答案被确认为「假」后不再进行其他验证，研究人员将三种状态分配了不同的权重：wT, wF和wU，可以增加系统的可靠性。
为了简单起见，集成算法从k个解决方案中提取一对最终答案及其相应的验证结果，表示为
其中v和a分别代表第i个最终答案和最终验证结果。
所以，候选答案 a 的投票得分可以用以下方式表示：
最终，从所有候选答案中选择得分最高的答案：
实验结果
MATH数据集
GPT4-Code在MATH基准上的准确率达到了69.69%，明显超过了之前的方法（53.90%），这表明GPT4-Code在解决数学问题方面展现出了强大的能力
在GPT4-Code的基础上，文中提出的CSV方法进一步提高了准确性，将准确率提高到了73.54%；
在加入基于代码的显式自我验证和验证引导的加权多数投票（采样路径数为 16）后，结果进一步提高到了84.32%
需要注意的是，尽管增加基于代码的自我验证可以提高题目的得分，但具体程度会因题目的难度和形式而有所不同
其他数据集
研究人员还在其他推理数据集上应用了CSV方法，包括GSM8K、MMLU-Math和MMLU-STEM
从结果上来看，CSV+GPT4-Code在各个数据集上都取得了最优的结果。
与带有模型选择功能的GPT-4和 PHP相比，验证引导的多数表决是减少采样路径数量的有效框架。
在MMLU-Math和MMLU-STEM数据集上进行的CSV方法与现有模型的性能对比显示，开源模型明显优于闭源模型
为了弥补这一差距，研究人员表示目前已经开始着手准备制作数据集，并将在不久的将来公开发布。
其他开源LLM模型，例如LLaMA 2，可以使用这个数据集进行微调，从而进一步提高数学推理能力
Postman是一套面向API全生命周期的开发与测试平台，可在Mac上发送和调试多种协议请求，管理集合、环境及认证信息，并完成脚本测试、模拟服务、监控、文档发布和团队协作。它适合开发、测试及运维人员使用，提供个人免费方案。
Docker Desktop 是 Docker 官方为 Mac 提供的容器开发环境，集成 Docker Engine、命令行工具、Compose、Build、Kubernetes 与图形化管理界面。
Android Studio 是 Google 面向安卓应用开发提供的官方集成开发环境，基于 IntelliJ IDEA 构建。它整合智能代码编辑、Gradle 构建、界面预览、设备模拟、性能分析、调试测试及 APK 分析等工具。
Xcode 是苹果面向 Mac 提供的官方集成开发环境，将代码编辑、项目构建、SwiftUI 实时预览、设备模拟、自动化测试、断点调试、性能分析和应用分发整合在同一套工作流中，适合开发与维护 iPhone、iPad、Mac、Apple Wa
JetBrains WebStorm 是面向 JavaScript、TypeScript 和现代 Web 技术的专业集成开发环境，可智能理解项目结构，提供代码补全、重构、错误检查、运行调试、测试及 Git 工具。
PhpStorm 是 JetBrains 推出的专业 PHP 集成开发环境，可在 Mac 上完成代码编写、智能检查、重构、调试、测试和数据库管理。它支持主流 PHP 框架、Composer、Git、Docker 与远程解释器。
JetBrains PyCharm 是面向 Python 开发者的集成开发环境，提供智能补全、代码检查、重构、调试、测试、版本控制及虚拟环境管理功能。Mac 版兼容 Intel 与 Apple 芯片，核心功能可免费使用。
IntelliJ IDEA 是 JetBrains 推出的专业集成开发环境，重点服务于 Java、Kotlin 与 JVM 项目开发。软件集成代码补全、静态检查、重构、调试、测试、版本控制及构建工具，并可借助插件扩展语言和框架支持。
Visual Studio Code 是微软提供的免费代码编辑器，支持 macOS，并为 Intel 与 Apple 芯片 Mac 提供适配版本。软件集代码编辑、调试、Git 源代码管理、集成终端和扩展市场于一体。
REAPER是Cockos开发的数字音频工作站，提供多轨音频与MIDI录制、剪辑、处理、混音和母带制作工具。Mac版兼容Intel与Apple芯片，支持AU、VST、VST3、CLAP等插件格式，并提供高度可定制的工作流程。
Adobe Audition 是面向播客、影视后期、音乐制作及内容创作者的专业音频工作站，提供波形精修、多轨录制与混音、频谱编辑、降噪修复、响度匹配和效果处理工具，并可与 Adobe Premiere 协同完成视频声音制作。
Pro Tools 是 Avid 推出的专业数字音频工作站，覆盖多轨录音、无损剪辑、MIDI 编曲、插件处理、自动化混音及声音与画面同步等工作。它拥有 Intro、Artist、Studio 和 Ultimate 等方案。
PixPix 是面向品牌、卖家和内容团队的在线 AI 图片视频创作平台，提供图视频 Agent、无限画布、图片生成、视频生成、自然语言编辑及商品套图、产品精修和带货视频等电商工具。
Postman 是面向 API 全生命周期的开发与协作平台。Windows 桌面版可用于构建和发送 HTTP、GraphQL、gRPC、WebSocket、MQTT 等请求，并提供环境变量、集合、脚本测试、模拟服务、监控、文档及团队工作区等
Docker Desktop 为 Windows 开发者提供集成式容器环境，内置 Docker Engine、命令行工具、Compose、Build 与 Kubernetes 等组件，可在本机完成镜像构建、容器运行、日志查看和资源管理。
Android Studio 是 Google 面向 Android 应用开发提供的官方集成开发环境，以 IntelliJ IDEA 为基础，集成智能代码编辑、Gradle 构建、设备模拟、界面预览、调试测试及性能分析工具，
WebStorm 是 JetBrains 面向 JavaScript、TypeScript 和现代 Web 技术打造的集成开发环境。它提供项目级代码分析、智能补全、安全重构、导航搜索，并集成调试、测试、终端、Git 与常用前端工具，
PhpStorm 是 JetBrains 面向 PHP 与现代 Web 开发打造的专业集成开发环境，提供代码补全、静态检查、重构、调试、测试、数据库、版本控制及前端语言支持。Windows 用户可直接下载安装程序，
PyCharm 是 JetBrains 推出的 Python 集成开发环境，提供智能代码补全、错误检查、重构、调试、测试、Git、终端及 Jupyter Notebook 支持。统一版安装后可体验 30 天 Pro 功能，
JetBrains IntelliJ IDEA 是以 Java、Kotlin 和 JVM 项目为核心的专业集成开发环境，提供智能补全、代码检查、安全重构、调试、测试、版本控制及构建工具集成。统一发行版的核心功能可免费用于商业和非商业项目，
Visual Studio Code 是微软推出的免费代码编辑器，Windows 版集成智能补全、代码导航、调试、终端和版本控制，并可通过扩展添加语言、格式化及远程开发能力。它启动较快、配置灵活，
REAPER 是 Cockos 推出的数字音频工作站，适用于录音、MIDI 编曲、音频编辑、混音、母带制作及声音设计。软件安装包小巧，支持多轨录制、灵活路由、自动化、第三方插件和脚本扩展，并提供完整功能的 60 天免费评估期。
Adobe Audition 是面向播客、影视后期、广播与音乐制作的专业音频工作站，提供波形编辑、多轨混音、频谱分析、录音、降噪修复和效果处理等功能。Windows 版通过 Adobe Creative Cloud 安装和管理，
Pro Tools 是 Avid 推出的专业数字音频工作站，提供多轨录音、音频剪辑、MIDI编曲、插件处理、自动化混音及影视声音制作能力。它适合音乐人、录音师、制作人和音频后期团队使用，并提供免费入门版、订阅方案及永久授权选择。