随着大语言模型在众多领域的广泛应用，基准测试成为了评估模型质量的关键工具。
但是，如果测试结果受到不当影响，例如操纵模型输出的长度或风格来操纵胜率，模型性能的排名可能因此失去可信度，进而直接影响整个行业的信任和技术进步。
为促进更加公平和可靠的评价体系，新加坡 Sea AI Lab 和新加坡管理大学团队合作，颠覆了传统意义上针对有意义输出的对抗性攻击。
他们提出，将完全无意义的“零模型”（Null Model）作为极端测试也可以利用评估过程中的结构性弱点，欺骗自动基准测试并获得高胜率。
更令人担忧的是，由于研究假设这些基准测试的指令（例如 AlpacaEval 2.0 的 805 个样本）是私有的且无法被访问，因此这些作弊输出可以被转移。
研究人员揭示了现有自动化大模型基准测试（例如 AlpacaEval 2.0）的脆弱性，并验证了这些漏洞不仅存在于开源模型，也会影响到广泛使用的商业大模型。
该研究有望改进模型评估方法，帮助开发者改进评估机制，确保评估结果真实反映模型能力，进而推动行业更加重视模型的实际性能。
它不仅为开发更强大的反作弊机制提供了实验依据，还可能基于此推动行业制定更严格的基准测试规范，提升 AI 技术的透明度和公平性。
图丨左至右依次为：郑晓森、庞天宇、杜超；下排从左至右依次为：刘乾、蒋静、林敏（来源：该团队）
日前，相关论文以《在自动大语言模型基准测试中作弊：零模型获得高胜率》（Cheating automatic LLM benchmarks：Null models achieve high win rates）为题发表在预印本网站 arXiv[1]。
Sea AI Lab 郑晓森博士是共同第一作者，高级研究员庞天宇是共同第一作者兼共同通讯作者，新加坡管理大学蒋静教授担任共同通讯作者，其他论文作者还包括 Sea AI Lab 高级研究员杜超、研究员刘乾和首席研究员林敏。
图丨相关论文（来源：arXiv）
需要了解的是，零模型是一种始终输出固定对抗文本的模型，无论输入指令是怎样的，其输出内容均与指令无关。
在该研究中，零模型被设计为一种“极简”作弊形式，用于证明现有基准测试的评价机制可以被无意义的固定输出操控，从而取得高胜率。
研究人员在实验中发现，尽管零模型的输出完全无意义，但借助某些结构化设计和优化技巧，仍能够在多个基准测试中达到顶级胜率。
这表明，现有基准测试可能存在评估偏差，例如对特定输出长度或结构的偏好。
如果基准测试被操控，不仅会误导模型研发方向，还可能导致低质量模型被误认为高性能，进而威胁实际应用的安全性和用户信任。
为确保可信度，该团队提出开发反作弊机制，例如多样化测试样本、随机化评估模板，以及引入人类评估与自动化评估结合的机制。
据了解，该研究中最大的挑战在于，如何设计出一种能够在不同基准测试中普遍适用的作弊方法，同时还需要在不访问测试样本的情况下优化响应。
为解决该问题，研究人员通过人工优化和随机搜索算法的结合，成功设计出具有高度转移性的对抗性前缀，从而克服了这一困难。
图丨该研究中作弊器的胜率和得分，并与 2024 年 10 月 1 日之前记录的最先进的模型进行比较（来源：arXiv）
他们将零模型与其他先进模型进行了比较，并使用 GPT-4-1106-Preview 作为自动标注器进行评估。
结果显示，结合随机搜索的结构化响应（Structured+RS）在所有基准测试中显著提高了性能，并实现了最高的胜率和得分。
其中，零模型在 AlpacaEval 2.0 上获得了 86.5% 的长度控制胜率，在 Arena-Hard-Auto 上达到了 83.0％ 的胜率，在 MT-Bench 上的分数为 9.55。
值得关注的是，该课题组对开源与商业大模型在零模型场景下的表现进行了对比。
他们发现，商业大模型（如 GPT-4）虽然更强大，但对该研究所提出的结构化欺骗提示更敏感。而开源大模型（如 Llama-3）因指令跟随能力稍弱，对该攻击的敏感性略低。
在接下来的研究阶段，该课题组计划研究更加复杂的作弊方法，模拟潜在的真实威胁。并且，开发基于对抗性样本检测的自动化反作弊机制。
此外，他们还打算探讨跨模态基准测试的设计和评估，以确保评测体系对多模态任务的公平性。
参考资料：
1.https://doi.org/10.48550/arXiv.2410.07137
2.https://github.com/sail-sg/Cheating-LLM-Benchmarks
运营/排版：何晨龙
