GSM-Plus: معيار شامل لتقييم مقاومة نماذج LLM كحلال للمسائل الرياضية

لقد حققت النماذج اللغوية الكبيرة (LLMs) أداءً مبهرًا في مجموعة متنوعة من اختبارات الاستدلال الرياضي. ومع ذلك، تزداد المحادثات حول ما إذا كانت هذه النماذج تفهم فعلاً المعرفة الرياضية وتطبقها، أم أنها تعتمد فقط على طرق مختصرة للاستدلال الرياضي. إحدى الأدلة الأساسية والمتكررة هي أن النماذج تُظهر سلوكًا خاطئًا عند إجراء تغييرات طفيفة على الأسئلة الرياضية. وهذا يحفّزنا على تقييم مدى المقاومة (الثبات) لقدرات النماذج اللغوية الكبيرة في الاستدلال الرياضي من خلال اختبار مجموعة واسعة من التغيرات في الأسئلة. نقدم مجموعة بيانات "الرياضيات الابتدائية المُعاكسة" (GSM-Plus)، وهي توسيع لـ GSM8K يضم مجموعة متنوعة من التغيرات الرياضية. تُظهر تجاربنا على 25 نموذجًا لغويًا كبيرًا و4 تقنيات توجيهية أن النماذج تُظهر مستويات مختلفة من القدرة على الاستدلال الرياضي، لكن أداءها بعيدٌ جدًا عن أن يكون مُقاومًا. وبشكل خاص، حتى بالنسبة للمشكلات التي تم حلها سابقًا في GSM8K، يمكن للنماذج أن ترتكب أخطاء عند إضافة بيانات جديدة أو تغيير الهدف من السؤال. كما استكشفنا ما إذا كان من الممكن تحقيق أداء أكثر مقاومة من خلال دمج الطرق التوجيهية الحالية، حيث جربنا طريقة تكرارية تُولِّد وتحقق من كل تفكير وسطي بناءً على هدف الاستدلال والنتيجة الحسابية.