Добавить новость
ru24.net
News in English
Ноябрь
2024

The way we measure progress in AI is terrible

0

Every time a new AI model is released, it’s typically touted as acing its performance against a series of benchmarks. OpenAI’s GPT-4o, for example, was launched in May with a compilation of results that showed its performance topping every other AI company’s latest model in several tests.

The problem is that these benchmarks are poorly designed, the results hard to replicate, and the metrics they use are frequently arbitrary, according to new research. That matters because AI models’ scores against these benchmarks will determine the level of scrutiny and regulation they receive.

“It seems to be like the Wild West because we don’t really have good evaluation standards,” says Anka Reuel, an author of the paper, who is a PhD student in computer science at Stanford University and a member of its Center for AI Safety.

A benchmark is essentially a test that an AI takes. It can be in a multiple-choice format like the most popular one, the Massive Multitask Language Understanding benchmark, known as the MMLU, or it could be an evaluation of AI’s ability to do a specific task or the quality of its text responses to a set series of questions. 

AI companies frequently cite benchmarks as testament to a new model’s success. “The developers of these models tend to optimize for the specific benchmarks,” says Anna Ivanova, professor of psychology at the Georgia Institute of Technology and head of its Language, Intelligence, and Thought (LIT) lab, who was not involved in the Stanford research. 

These benchmarks already form part of some governments’ plans for regulating AI. For example, the EU AI Act, which goes into force in August 2025, references benchmarks as a tool to determine whether or not a model demonstrates “systemic risk”; if it does, it will be subject to higher levels of scrutiny and regulation. The UK AI Safety Institute references benchmarks in Inspect, which is its framework for evaluating the safety of large language models. 

But right now, they might not be good enough to use that way. “There’s this potential false sense of safety we’re creating with benchmarks if they aren’t well designed, especially for high-stakes use cases,” says Reuel. “It may look as if the model is safe, but it is not.” 

Given the increasing importance of benchmarks, Reuel and her colleagues wanted to look at the most popular examples to figure out what makes a good one—and whether the ones we use are robust enough. The researchers first set out to verify the benchmark results that developers put out, but often they couldn’t reproduce them. To test a benchmark, you typically need some instructions or code to run it on a model. Many benchmark creators didn’t make the code to run their benchmark publicly available. In other cases, the code was outdated.

Benchmark creators often don’t make the questions and answers in their data set publicly available either. If they did, companies could just train their model on the benchmark; it would be like letting a student see the questions and answers on a test before taking it. But that makes them hard to evaluate.

Another issue is that benchmarks are frequently “saturated,” which means all the problems have been pretty much been solved. For example, let’s say there’s a test with simple math problems on it. The first generation of an AI model gets a 20% on the test, failing. The second generation of the model gets 90% and the third generation gets 93%. An outsider may look at these results and determine that AI progress has slowed down, but another interpretation could just be that the benchmark got solved and is no longer that great a measure of progress. It fails to capture the difference in ability between the second and third generations of a model.

One of the goals of the research was to define a list of criteria that make a good benchmark. “It’s definitely an important problem to discuss the quality of the benchmarks, what we want from them, what we need from them,” says Ivanova. “The issue is that there isn’t one good standard to define benchmarks. This paper is an attempt to provide a set of evaluation criteria. That’s very useful.”

The paper was accompanied by the launch of a website, Better Bench, that ranks the most popular AI benchmarks. Rating factors include whether or not experts were consulted on the design, whether the tested capability is well defined, and other basics—for example, is there a feedback channel for the benchmark, or has it been peer-reviewed?

The MMLU benchmark had the lowest ratings. “I disagree with these rankings. In fact, I’m an author of some of the papers ranked highly, and would say that the lower ranked benchmarks are better than them,” says Dan Hendrycks, director of CAIS, the Center for AI Safety, and one of the creators of the MMLU benchmark.  That said, Hendrycks still believes that the best way to move the field forward is to build better benchmarks.

Some think the criteria may be missing the bigger picture. “The paper adds something valuable. Implementation criteria and documentation criteria—all of this is important. It makes the benchmarks better,” says Marius Hobbhahn, CEO of Apollo Research, a research organization specializing in AI evaluations. “But for me, the most important question is, do you measure the right thing? You could check all of these boxes, but you could still have a terrible benchmark because it just doesn’t measure the right thing.”

Essentially, even if a benchmark is perfectly designed, one that tests the model’s ability to provide compelling analysis of Shakespeare sonnets may be useless if someone is really concerned about AI’s hacking capabilities. 

“You’ll see a benchmark that’s supposed to measure moral reasoning. But what that means isn’t necessarily defined very well. Are people who are experts in that domain being incorporated in the process? Often that isn’t the case,” says Amelia Hardy, another author of the paper and an AI researcher at Stanford University.

There are organizations actively trying to improve the situation. For example, a new benchmark from Epoch AI, a research organization, was designed with input from 60 mathematicians and verified as challenging by two winners of the Fields Medal, which is the most prestigious award in mathematics. The participation of these experts fulfills one of the criteria in the Better Bench assessment. The current most advanced models are able to answer less than 2% of the questions on the benchmark, which means there’s a significant way to go before it is saturated. 

“We really tried to represent the full breadth and depth of modern math research,” says Tamay Besiroglu, associate director at Epoch AI. Despite the difficulty of the test, Besiroglu speculates it will take only around four or five years for AI models to score well against it.

And Hendrycks’ organization, CAIS, is collaborating with Scale AI to create a new benchmark that he claims will test AI models against the frontier of human knowledge, dubbed Humanity’s Last Exam, HLE. “HLE was developed by a global team of academics and subject-matter experts,” says Hendrycks. “HLE contains unambiguous, non-searchable, questions that require a PhD-level understanding to solve.” If you want to contribute a question, you can here.

Although there is a lot of disagreement over what exactly should be measured, many researchers agree that more robust benchmarks are needed, especially since they set a direction for companies and are a critical tool for governments. 

“Benchmarks need to be really good,” Hardy says. “We need to have an understanding of what ‘really good’ means, which we don’t right now.”




Moscow.media
Частные объявления сегодня





Rss.plus



Токсиколог Кутушов перечислил топ-5 наиболее токсичных веществ в бытовой химии

В Подмосковье сотрудники Росгвардии задержали гражданку, находившуюся в федеральном розыске

Лучшие студенческие энергетические отряды «Россети Центр» и «Россети Центр и Приволжье» награждены в Москве

В Подмосковье сотрудники Росгвардии задержали гражданку, находившуюся в федеральном розыске


Токсиколог Кутушов перечислил топ-5 наиболее токсичных веществ в бытовой химии

Дышите глубже: доктор Кутушов рассказал, как "безопасные" альтернативы сигарет отравляют ваш организм

Интересные каналы в Telegram. Лучшие каналы в Telegram.

Новогодний хит! от MYAKESH Слушайте «Новогоднюю»!


Derek Chisora unveils plan for shock career change once he’s retired from boxing – but plans dream 50TH fight first

Bigg Boss 18: Digvijay Rathee asks Chum Darang about the kind of guy she would like to marry; says ‘mere parents ko manana padega’

West Coast recruiting: Cal and Oregon duel for top quarterback prospect while Washington goes big

The Evolution of Graphic Design: What Today’s Designers Offer


Интересные каналы в Telegram. Лучшие каналы в Telegram.

Колчимский камень

Михаил Мальцев: "Низкий туррейтинг Свердловской области – из-за нехватки мест размещения"

В Москве раскрыто убийство предпринимателя в 2001 году


Arcane co-creator reminds fans 'there are always constraints', dispels theories the show was rushed or restrained by Riot's higher-ups

Meet weird avians, save a kidnapped goddess, and explore a gorgeous lantern world inspired by Persian art in this very funny new indie adventure game

How two secret Stalker 2 hacks cut my loading time from 5 minutes to 52 seconds and got me in the Zone faster

Woolly Boy and the Circus можно предзаказать на iOS, Android и PC


Секретар Миколаївської міськради у робочий час у нетверезому стані рекламував свій бізнес


Ricci | Жилая недвижимость: девелоперский консалтинг как эффективное решение

Стендап-терапия: Елизавета Варвара Аранова о премьере сольного концерта и Большом туре 2025

В логистическом центре «Почта России» прошло профилактическое занятие

Удобное бронирование жилья в Дивноморском и Геленджике с помощью ТутОтель




В ГД предложили информировать о схемах мошенничества в приложении «Госуслуги»

Секреты мотивации: как превратить рутину в увлекательный процесс

Кабельный Завод «ЭКСПЕРТ-КАБЕЛЬ» — на форуме «Электрические сети»

В Москве начала работу академия парфюмерии для незрячих детей


В Рязанской области объявили сбор средств для семей погибшей в ДТП пары

Обвиняемого во взятках экс-топ-менеджера «Лукойла» Степанова отпустили из СИЗО

10 лет в России отмечают День Неизвестного Солдата

Собянин рассказал о рекордных показателях московского туризма


Кафельников назвал позором допинговые скандалы ведущих теннисистов

Джокович объяснил, почему выбрал Энди Маррея своим тренером

Стало известно место Рыбакиной в рейтинге лидеров WTA по призовым за сезон

Олимпийская чемпионка Веснина проиграла в своём прощальном матче


В Твери открылась фотовыставка монет, изображающих памятники архитектуры

В Рязанской области объявили сбор средств для семей погибшей в ДТП пары

Актуальное искусство: художница Натали-Кейт Пангилинан — в проекте «Сноба» «АртАкт»

Юлиана Княжевская: Москвичи смогут приобрести пять участков для строительства частных домов в ТиНАО


Музыкальные новости

Estet Fashion Week 2024: итоги 26-го сезона международной Недели моды, прошедшей в Москве

Певец Газманов заявил, что ИИ может помочь артистам при производстве демо

Смотрите "Вести" в 14:30: звезда Мариинки Василий Герелло дал концерт во Владимире

Известный пианист Денис Мацуев приедет на фестиваль в Оренбург



В Подмосковье сотрудники Росгвардии задержали подозреваемых в краже железнодорожных рельс

Какой будет погода на Новый год, спрогнозировали синоптики

Подмосковные росгвардейцы получили более 100 новых служебных автомобилей

Подмосковные росгвардейцы получили более 100 новых служебных автомобилей


Токсиколог Кутушов перечислил топ-5 наиболее токсичных веществ в бытовой химии

Сергей Собянин: Путепровод соединил два округа

Подмосковные росгвардейцы получили более 100 новых служебных автомобилей

В Подмосковье сотрудники Росгвардии задержали гражданку, находившуюся в федеральном розыске


Два ДТП с участием пяти автомобилей произошли на МКАД

«Автомобилист» отыграл три шайбы, но уступил «Спартаку» по буллитам

Двойное ДТП с участием пяти машин произошло на 36-м километре МКАД

Автоперевозки. Подходящее резюме водителя – позвоните прямо сейчас!


Песков заявил, что Путин не передавал посланий Зеленскому через Шольца

???? По горячим следам 02.12.2024. Грузины свихнулись, уже коктейли бросают в полицию

Курс для повышения выживаемости на поле боя провели в Приамурье

Всемирные игры дружбы в Москве и Екатеринбурге отложили до особого решения


Повлиять на лечение рака может открытие российских ученых




Mash: звезда фильма «Москва слезам не верит» Муравьева попала в больницу

Стендап-терапия: Елизавета Варвара Аранова о премьере сольного концерта и Большом туре 2025

Детская больница в Люберцах получила новое диагностическое оборудование

Тульские онкологи стали лучшими в конкурсе "Консилиум" в Москве


Bild: Шольц хочет узнать у Зеленского, на что тот готов ради мира

Шольц прибыл в Киев для переговоров с Зеленским

Шольц прибыл с визитом в Киев

Канцлер ФРГ назвал цели визита в Киев


Росгвардейцы обеспечили безопасность на спортивных мероприятиях в Москве

Четыре «золота» взяли российские школьники на олимпиаде по математике в КНР

«Ахмат» — «Динамо» Москва. Видеообзор матча РПЛ с голом Лещука

«Штолле» — официальный партнер турнира по фехтованию Fencing Grand-prix




Сергей Собянин: Путепровод соединил два округа

Собянин рассказал, какие социальные объекты строят в ЗАО по программе реновации

На 40 минут быстрее. Сергей Собянин открыл Бескудниковский путепровод

Сергей Собянин: Московский туризм продолжает бить рекорды


Лекция про пернатых пройдет 6 декабря в ЦАО

В Москве на этой неделе похолодает до минус 8 градусов

Исследование: юные россияне считают новостройкой всё, что не хрущёвка, а взрослые — только дома, которые строятся сейчас

Дышите глубже: курс экопрогулок стартует в Москве


Обвиняемого во взятках экс-топ-менеджера «Лукойла» Степанова отпустили из СИЗО

Ricci | Жилая недвижимость: девелоперский консалтинг как эффективное решение

«Зима в Москве»: в каких парках пройдут мероприятия с участием Деда Мороза

10 лет в России отмечают День Неизвестного Солдата


Какой будет погода на Новый год, спрогнозировали синоптики

Декабрь спрогнозировали россиянам синоптики

Архангельская станция переливания крови вновь признана одним из лучших профильных учреждений в России

Синоптик рассказала об эпицентрах тепла на северо-западе и востоке России


В рейтинге качества жизни российских городов Ростов обвалился сразу на 17 мест

Выставка-память «Пропавшие без вести, но не забытые», ко Дню Неизвестного солдата

Беседа-рекомендация «Это важно знать»

Беседа-рекомендация «Это важно знать»


Юлиана Княжевская: Москвичи смогут приобрести пять участков для строительства частных домов в ТиНАО

Обвиняемого во взятках экс-топ-менеджера «Лукойла» Степанова отпустили из СИЗО

10 лет в России отмечают День Неизвестного Солдата

В Рязанской области объявили сбор средств для семей погибшей в ДТП пары












Спорт в России и мире

Новости спорта


Новости тенниса
WTA

Казахстанская теннисистка из топ-30 WTA одержала победу на турнире в России






Обвиняемого во взятках экс-топ-менеджера «Лукойла» Степанова отпустили из СИЗО

Ricci | Жилая недвижимость: девелоперский консалтинг как эффективное решение

В Твери открылась фотовыставка монет, изображающих памятники архитектуры

«Зима в Москве»: в каких парках пройдут мероприятия с участием Деда Мороза