GPT-4 Techinal Report Review

Introduction

 GPT-4는 real-world에서는 사람보다 조금 못한 능력을 보여주지만, 그래도 전문적 및 학문적 벤치마크에서 사람 수준의 성능을 보여주는 large multimodel model$($이미지와 텍스트를 입력으로 받고, 텍스트 출력을 내놓음$)$ 이다. 예를 들어 변호사 자격증 시험$($simulated bar exam$)$에서 GPT-3.5의 하위 10% 기록과 상반되게 상위 10%의 성적을 기록하였다. 6개월 동안 적대적 테스트 프로그램과 ChatGPT의 교훈을 사용하여 GPT-4를 반복적으로 조정하여 사실성$($factuality$)$, 조종성$($steerability$)$ 및 가드레일을 벗어나지 않는 측면에서$($완벽하지는 않지만$)$ 최고의 결과를 얻었다.

 

 불과 1년 전에 GPT-3.5를 학습시켰는데, 여기서 발견된 버그를 수정하고 이론적 기초 부분을 향상시켜서 GPT-4는 보다 안정적이었고, 훈련 성능을 정확하게 예측할 수 있는 최초의 대형 모델이 되었다.

 

 

Capabilities

 일반적인 대화에서 GPT-3.5와 GPT-4의 차이는 미묘할 수 있다. 이 둘의 차이점은 task가 일정선까지 충분히 복잡할 때 보이게 된다. GPT-4는 GPT-3.5보다 더욱 신뢰가 가고, 독창적이고, 더 많은 뉘앙스 구조를 다룰 수 있게 되었다.

 

 두 모델 간의 차이를 이해하기 위해 사람을 위해 만들어진 모의 시험을 포함한 다양한 벤치마크에서 테스트를 하였다. 모델을 학습시킬 때 이 시험들을 위한 구체적인 학습을 진행하지는 않았다. 시험에서 소수의 문제가 교육 중에 모델에 표시되었지만 결과가 대표적이라고 생각한다. 자세한 내용은 technial report를 확인하길 바란다.

 

GPT-4 & GPT-3.5의 exam result

 

 또한 GPT-4를 기존의 머신러닝 메소드를 위해 만들어진 벤치마크에 대해서도 평가를 하였다. GPT-4는 현존하는 LLM들을 상당히 넘어서는 성능을 보여줬다: SoTA 모델들 중에는 벤치마크에 특화되서 만들어지거나 추가 학습 프로토콜을 가지고 있는 모델들도 존재했다.

 

 많은 ML 벤치마크들은 영어로 써져 있다. 다른 언어들에 대한 초기 능력 감각을 익히기 위해 MMLU 벤치마크를$($57개의 주제에서 14,000여 개의 다중 선택 문제$)$ Azure Translate를 사용하여 다양한 언어로 번역하였다. 26개의 언어 테스트 중에서 24개의 부문에서 GPT-4는 GPT-3.5의 영어 성능과 다른 LLM의 성능들을 능가하는 모습을 보여줬다. 이 언어 중에는 리소스가 적은 Lativian, Welsh, Swahili 등이 포함되어 있다.

 

여러 언어에 대한 GPT-4의 MMLU 벤치마크에 대한 정확도

 

 실제로 OpenAI에서도 GPT-4를 내부적으로 활용하고 있는데 지원, 판매, 내용 조정, 프로그래밍 부분에서 상당한 영향을 주고 있다. 또한 정렬 전략의 두 번째 단계를 시작하면서 인간이 AI 출력을 평가하는 데 도움을 주기 위해 이를 사용하고 있다.

 

 

Visual Inputs

 GPT-4는 텍스트 및 이미지 prompt를 수락할 수 있으며 텍스트 전용 설정과 마찬가지로 사용자가 시각 또는 언어 작업을 지정할 수 있다. 구체적으로 GPT-4는 텍스트와 이미지가 함께 있는 입력이 주어지면 텍스트 출력을 내놓는다. GPT-4는 텍스트, 사진, 다이어그램, 스크린샷을 포함하고 있는 문서에 대해서도 text-only 입력을 줬을 때와 비슷한 능력을 보여줬다. 또한 few-shot 및 chain-of-thought prompting을 포함하여 텍스트 전용 언어 모델용으로 개발된 테스트 시간 기술로 보강할 수 있다. 

 

위의 사진이 주어지고 사진이 웃긴 이유에 대해서 GPT-4가 각 패널에 대해 해석하면서 최종적인 대답을 내놓았다.

 

 GPT-4의 성능을 좁은 범위의 학문적 시각 벤치마크에서 평가함으로써 간단하게 소개하였다. 그러나 이 수치는 모델이 처리할 수 있는 새롭고 흥미로운 작업을 지속적으로 발견하고 있기 때문에 기능의 범위를 완전히 나타내지는 않는다. 

 

 

Steerability

 이 글의 앞에서 말했던 것처럼 AI의 습성 중 하나인 steerability$($조종가능성$)$의 측면에서 GPT-4를 테스트해보았다. 고정된 장황함, 어조 및 스타일을 가진 고전적인 ChatGPT 성격 대신 개발자$($및 ChatGPT 사용자$)$는 이제 "시스템" 메시지에서 이러한 방향을 설명하여 AI의 스타일과 작업을 규정할 수 있다. 시스템 메시지를 통해 API user들은 범위 내에서 사용자 경험을 크게 정의할 수 있다. 

 

소크라테스식의 선생님을 적용한 모습. 소크라테스식 교육 방법에서는 학생에게 바로 정답을 알려주지 않고 정답을 구할 수 있는 방법을 알려줌으로써 학생이 답을 도출해낼 수 있도록 도와준다.

 

 

Limitations

 GPT-4의 능력에도 불구하고, GPT-4는 이전의 GPT 모델들과 마찬가지로 비슷한 한계를 가지고 있다. 가장 중요한 것은 아직도 완전히 신뢰할 수 없다는 것이다. 특정 사용 사례의 요구 사항과 일치하는 정확한 프로토콜$($예: 인적 검토, 추가 컨텍스트 기반 또는 고부담 사용 모두 방지$)$과 함께 특히 고부담 상황에서에서 LM의 출력을 사용할 때 세심한 주의를 기울여야 한다. 

 

 실제 이슈에서 GPT-4는 이전의 모델들에 비해 상당히 감소된 hallucination을 보여준다. GPT-4는 내부 적대적 사실성 평가에서 GPT-3.5보다 40% 정도 높은 성능을 보여줬다.

 

9개의 내부 적대적 사실성 평가에서 GPT-4와 chatGPT의 여러 버전을 비교하였다. 모든 주제에 대해서 성능이 향상된 모습을 보여줬다.

 

 또한 적대적으로 선택된 부정확한 statement의 세트의 사실을 분리하기 위한 모델의 능력을 평가하는 TruthfulQA 외부 벤치마크에서 평가를 진행하였다. TruthfulQA의 질문들은 통계적으로 끌리는 사실적으로 부정확한 대답을 사용하여 짝이 이루어져있다.

 

TruthfulQA에 대한 Anthropic-LM, GPT-3.5, GPT-4의 정확도

 

 이 task에서 GPT-4 base model은 GPT-3.5보다 살짝 나은 성능을 보여줬다; 하지만 RLHF를 사용하여 훈련을 진행하니 큰 차이가 났다. 아래의 예시들을 조사해보면 GPT-4는 일반적인 속답을 선택하는 것을 거부하지만, 아직 사소한 디테일을 놓치는 문제점을 가지고 있다.

 

 

 모델의 출력에는 많은 편향들이 있을 수 있다. 이에 대해 여러가지 프로그레스를 만들어 뒀으나 아직도 해야할 것이 많다. 

 

 GPT-4는 일반적으로 학습된 데이터$($2021년 9월$)$ 이후에 일어난 사건들에 대해서는 지식이 부족하고, 경험으로부터 학습하지도 않는다. 이는 가끔 간단한 추론 오류를 만들어내는데 너무 많은 영역에서 능력을 발휘하지 못하는 것 같거나 사용자의 명백한 거짓 진술을 받아들이는 데 지나치게 속기 쉬운 것 같다. 그리고 가끔은 GPT-4가 사람이 그러는 것처럼 생성하는 코드에 취약점을 도입하는 것과 같이 어려운 문제에 대해서 실패하는 모습을 보여준다.

 

 GPT-4는 또한 예측에서 잘못될 수도 있는데, 실수가 발생할 것 같을 때 더블 체크 작업을 하지 않기 때문이다. 흥미롭게도, base pre-trained 모델은 고도로 보정되어 있다$($답에 대한 예측 신뢰도는 일반적으로 정답 확률과 일치함$)$. 하지만 현재의 후학습 프로세스를 통해 보정은 줄어들게 된다.

 

왼쪽: MMLU 서브셋에서 사전 학습된 GPT-4 모델의 calibration plot. 점선은 완벽한 calibration을 나타내는데, 비슷한 모습을 보여주는 것을 알 수 있다. 오른쪽: 똑같은 MMLU 서브셋에서 후학습된 PPO GPT-4의 calibration plot. 현재 프로세스는 calibration을 살짝 손상시킨다.

 

Risks & Mitigations

 pre-train 데이터의 선택 및 필터링, 평가 및 전문가 참여, 모델 안전 개선, 모니터링 및 집행을 포함한 노력을 통해 학습 시작부터 GPT-4를 반복하여 더 안전하고 정렬되게 하였다.

 

 GPT-4는 이전의 모델들처럼 해로운 조언, 버그성 코드, 부정확한 정보들을 생성하는 리스크를 가지고 있었다. 하지만 GPT-4의 추가적 능력은 새로운 리스크에 직면하게 하였다. 이러한 리스크의 정도를 이해하기 위해 AI alignment risk, 사이버 시큐리티, 바이오리스크, 신뢰도 및 안정성, 세계적 보안의 도메인으로부터 50명이 넘는 전문가를 고용해서 모델을 적대적으로 평가하였다. 이들의 발견은 특히 평가할 전문 지식이 필요한 고위험 영역에서 모델 동작을 테스트할 수 있게 해주었다. 이러한 전문가들로부터 얻은 데이터와 피드백은 모델을 완화시키고 향상시키기 위해 사용되었다. 예를 들어, GPT-4의 위험한 화학 물질을 어떻게 합치는지에 대한 요청을 거부하는 능력을 향상시키기 위해 추가적인 데이터를 수집하였다. 

 

GPT-4는 RLHF 학습 중에 추가적인 safety reward signal을 사용하여 모델이 이러한 내용에 대한 요구를 거부하도록 학습시킴으로써 해로운 출력을 줄이도록 하였다. 보상은 안전 관련 프롬프트에서 안전 경계 및 완료 스타일을 판단하는 GPT-4 zero-shot 분류기에 의해 제공된다. 입증된 요구를 거부하는 것으로부터 모델을 보호하기 위해 다양한 출처에서 다양한 데이터셋을 수집하고 safety reward signal을 허용되고 허용되지 않은 카테고리에 적용하였다.

 

 GPT-4의 완화$($mitigation$)$은 GPT-3.5에 비해 GPT-4의 안전성을 상당히 향상시켰다. GPT-3.5에 비해 허용되지 않는 콘텐츠에 대한 요청에 모델이 응답하는 경향이 82% 감소했으며, GPT-4는 정책에 따라 민감한 요청$($예: 의학적 조언 및 자해$)$에 29% 더 자주 응답한다.

 

허용되지 않은 민감한 콘텐츠에 대한 잘못된 응답 비율

 

 전반적으로 model-level의 간섭은 나쁜 행동을 유도하는 어려움을 증가시키지만 그렇게 하는 것은 여전히 가능하다. 추가적으로, 여기에는 이용 가이드라인을 위반하는 콘텐츠를 생성하기 위한 'jailbreak'가 아직 존재한다. AI 시스템의 '각 토큰 위험도'가 증가하는 것처럼 이 간섭에서 매우 높은 수준의 신뢰도를 달성하는데 매우 중요해질 것이다. 지금은 악용 모니터링과 같은 배포 시간 안전 기술로 이러한 제한 사항을 보완하는 것이 중요하다.

 

 

Training Process

 이전의 GPT model들과 마찬가지로 GPT-4 base model은 문서에서 다음 단어를 예측하기 위해 학습되었고, 대중에게 공개된 데이터 뿐만 아니라 라이센스를 가지고 있는 데이터도 사용하여 학습되었다. 데이터는 수학 문제에 대한 정확하고 잘못된 솔루션, 약하고 강력한 추론, 자기 모순적이고 일관된 진술을 포함하고 다양한 이데올로기와 아이디어를 나타내는 웹 규모의 데이터 모음이다.

 

 그래서 질문을 사용하여 prompt를 할 때, base model은 유저의 의도와는 거리가 먼 다양한 방식으로 응답할 수 있다. 가이드라인에서 유저의 의도를 사용하여 정렬하기 위해 모델의 특성을 RLHF를 사용하여 fine-tune 하였다.

 

 모델의 능력은 주로 pre-training 과정 중에서 오는 것처럼 보였다. RLHF는 exam performance를 향상시키지는 않지만, 모델의 조종은 post-training 과정으로부터 온다. base model은 질문에 답해야 한다는 것을 알기 위해 prompt engineering이 필요하다.

 

Predictable scaling

 

 GPT-4의 큰 초점은 예측 가능하게 확장되는 딥러닝 스택을 쌓는 것이다. 주요한 이유는 GPT-4 같이 매우 큰 학습은 광범위한 model-specific tuning을 하는데 실현 가능하지 않다. 이를 위해 여러 규모에 걸쳐서 예측 가능한 특성을 가지는 인프라와 최적화를 개발하였다. 이 scalability를 입증하기 위해, 동일한 방법론을 사용하지만 10,000배 적은 컴퓨팅을 사용하여 훈련된 모델에서 외삽하여 내부 코드베이스$($훈련 세트의 일부가 아님$)$에서 GPT-4의 최종 손실을 사전에 정확하게 예측하였다.

 

 

 이제 학습$($loss$)$ 중에 최적화하는 메트릭을 정확하게 예측할 수 있으므로 더 해석 가능한 메트릭을 예측하기 위한 방법론을 개발하기 시작했다. 예를 들어 컴퓨팅이 1,000배 더 적은 모델에서 외삽하여  HumanEval 데이터셋의 서브셋에서 pass rate를 성공적으로 예측하였다.

 

 

 아직 몇 개의 능력들은 예측하기 어려웠다. 예를 들어 Inverse Scaling Prize는 모델의 계산량이 증가할수록 악화되는 메트릭을 찾기 위한 방법인데, hindsight neglect는 이것의 승자 중 하나이다. 또다른 최근의 결과와 같이 GPT-4는 트렌드를 뒤집었다.

 

 

 미래의 머신 러닝 능력을 정확하게 예측하는 것은 잠재적인 영향에 비해 충분한 관심을 받지 못하고 있는 안정성의 중요한 부분이다. 노력의 규모를 늘려서 사회에 더 나은 미래 시스템에서 무엇을 기대할 수 있는지에 대한 지도를 제공해주는 방법을 개발하고, 이것이 이 분야에서 일반적인 목표가 되길 바란다.

 

My Opinion

 GPT-1이 세상에 처음 나왔을 때부터, GPT-2, GPT-3, GPT-3.5 그리고 GPT-4가 나오기까지 모두 하나 같이 출시할 때마다 엄청난 화제를 불러일으켰다. 이 엄청난 주목에 걸맞게 각 버전의 GPT들은 엄청난 성능을 보여주기도 하였다. 특히 GPT-3.5를 사용한 ChatGPT의 출시는 정말이지 세간의 주목을 모두 끌었다. 수많은 GPT 중에서도 ChatGPT가 이러한 주목을 끌게 된 이유로는 이전의 GPT들과 달리 민간인에게도 공개가 되었기 때문이라고 생각한다. 당연히 민간인에게도 공개가 되니 누구나 할 거 없이 자유롭게 사용할테고 그렇게 되니 유명해지는 건 시간의 문제라고 생각한다. 심지어 ChatGPT가 좀 좋은가? 진짜 전례 없을 정도로 발전한 LM이니 사람들에게는 너무나도 신기하고 흥미로웠을 것이라고 생각한다. 필자조차도 처음 ChatGPT를 사용했을 때 진짜 밤을 샐 정도로 재미나게 사용했던 것 같다.

 

 GPT-4의 Technical Review인데도 이전 GPT들에 대한 이야기를 이렇게 길게 했던 이유는 다름 아닌 아쉬움이 짙게 남기 때문이다. 분명히 GPT-4는 이전 모델들과는 비교할 수 없을 정도로 고도로 발전한 LM이라는 것은 확실하다. 심지어 이전 모델들에서는 텍스트 데이터만을 주로 다뤘지만 GPT-4는 텍스트 데이터와 이미지 데이터, 둘을 함께 다룰 줄 아는 multimodel model인데다가 성능도 이전보다 훨씬 상승했다. 처음에는 변호사 자격증 시험에서 상위 10%의 성적을 받았다는 사실을 보고 충격을 받았는데 이미지가 주어졌을 때 그 이미지를 해석하고 처리하는 모습을 보고 다시 한 번 충격을 받았다. 이렇듯 GPT-4는 정말 엄청난 발전이 맞다고 생각한다. 하지만 그럼에도 불구하고 너무나도 아쉬웠던 점은 GPT-4의 많은 부분이 아직 베일이 싸여있다는 점이다.

 

 GPT-4가 2023년 3월 14일에 처음 공개됐을 때 설레는 마음을 안고 사람들의 리뷰를 찾아보니 모두 공통적으로 하는 말이 있었다. 분명히 성능이 좋아진 것은 맞으나 너무 많은 부분이 베일에 싸여있어서 아직 판단하기 이르다는 것이었다. Technical Reivew를 읽고 나니 왜 사람들이 이러한 말을 하였는지 이해할 수 있었다. 정말이지 주어진 정보가 너무 국한적이었다! 모델의 크기도 밝혀지지 않았고, 모델에 사용된 데이터의 양 조차도 공개되지 않았기 때문이다. 이 Technical Review에서도 모델에 사용된 방법보다는 모델을 task에 적용하였을 때의 성능과 결과들 위주로 보여주고 모델의 안정성 체크 및 예측 가능성에 초점을 두었다. 이런 점에서 GPT-4의 Technical Review는 짙은 아쉬움이 남는 것 같다. 물론 이건 한 사람의 의견에 불과하지만 설레는 마음을 안고 읽었던 것에 비하면 살짝은 아쉬움이 남는 게 현실인 것 같다. 

 

 그렇다고 해서 GPT-4의 업적이 무시받아야 한다는 의미는 아니다. LM에서 multimodal model을 성공적인 성능으로 구현한 것은 정말이지 박수 받아 마땅하다고 생각한다. 실험 결과들을 살펴보니 진짜로 신기하고 대단하다라는 생각이 절로 들었다. 따라서 GPT-4에 대해서 관심이 생기고 궁금한 점이 있다면 한 번 즈음 Technical Review를 읽어보는 것은 추천한다. 하지만, 어떠한 방법을 사용해서 이렇게 뛰어난 모델을 만들었을까 라는 의문을 가지고 Technical Review를 읽는 것은 별로 추천하지 않는다.

 

 긴 포스트를 끝까지 읽어주셔서 감사하고 앞으로도 더 좋은 글들로 찾아뵙겠습니다!! 🤗

 

 

 

 

출처

https://openai.com/research/gpt-4

GPT-4

https://arxiv.org/abs/2303.08774

GPT-4 Technical Report