在測試集上預訓練？這聽起來似乎有點不合常規，但別急，繼續往下看！

文章以一項大膽的實驗為開端，作者創造了一個高質量的數據集，然而，這個數據集并非來自于人為合成，而是源自huggingface上的眾多評估基準數據。

借助這一數據集完成了一個基于 Transformer 的語言模型的預訓練，這個模型被命名為 phi-CTNL（發音為“fictional”）。

令人驚訝的是，phi-CTNL 在各類學術基準測試中表現得相當完美，勝過了所有已知的模型。

該研究還發現，phi-CTNL 在預訓練計算方面超越了神秘的冪律擴展法則。隨著訓練輪次的增加，它的性能快速趨近于零。

此外，phi-CTNL 似乎具備某種超自然的理解能力。在學習過程中，它能夠快速而準確地預測下游評估的指標。

是的，這篇文章可不是在搞笑，而是要諷刺那些以前不知道眼前有坑的學術研究。

作者認為，盡管評估和基準測試對于語言模型的發展至關重要，但這個領域經常受到夸夸其談的宣傳，卻忽視了數據污染的潛在風險。

作者甚至含蓄地點名了一些模型，例如 phi-1、TinyStories 和 phi-1.5。告誡我們，不要相信任何一個沒有隔離數據污染的LLM模型。

這些模型做錯了什么呢？

一個在推上測試Phi-1.5的例子引發了眾多討論。例如，如果你截斷下圖這個問題并輸入給Phi-1.5，它會自動完成為計算第三個月的下載數量，并且回答是正確的。

稍微改變一下數字，它也會正確回答。

但是一旦你變換格式，它就會完全出錯。（這里的格式變化是保留了提示中的所有 ' '。）

另一個例子是一個關于蘋果的數學計算問題，phi模型最初可以正確回答問題。

然而，一旦我們改變其中的一個數字，例如從8.5改成7.5，模型會開始出現幻覺現象。

為了檢查2這個數字有沒有被記憶，我們可以把pizza的價格改成10.5.但是phd依然繼續輸出2（應該為1）。

基于這些發現，研究人員認為Phi-1.5模型的數據污染問題很嚴重。

通過以不合常規的方式預訓練模型，這篇文章提醒我們強調了數據污染的危險性。告誡我們，不要相信任何一個沒有隔離數據污染的LLM模型。