LLM推理性能受輸出格式影響，JSON最嚴重

輸出格式不同，竟然還能影響大模型發揮？！

兩種提示下讓大語言模型（LLMs）解同一道數學題，問題如下：

思維鏈prompt：“按照以下格式提供輸出，逐步推理：…回答：最終答案是…”。

格式限制prompt：“按照以下有效的JSON格式提供輸出：…（具體JSON格式見圖）“。

正確答案是460，可以看出，思維鏈（讓模型一步步思考）奏效，格式限制（“以JSON格式輸出”）卻失敗了！！

這是臺灣大學和Appier AI Research新研究中的一幕，他們發現——

格式限制這玩意兒會降低LLMs的推理能力，且限制越嚴推理越差。（主打一個叛逆）

不過好消息是，能治。

他們發現，最佳解決方案是搞個“二次轉換”（倒爺是吧），即LLMs首先用自然語言回答問題，然後再將答案轉換爲目標格式。

在這個過程中，他們對比了GPT-3.5 Turbo、Claude 3 Haiku、Gemini 1.5 Flash等不同模型在生成不同格式數據時的性能差異，結果又發現：

GPT喜歡YAML、Claude喜歡XML、Gemini/Gemma喜歡JSON。（主打各有所愛）

看完研究，有網友點出了它對平衡結構化生成和任務推理的意義：

格式限制會降低LLMs推理能力

上述研究已發表在arXiv上，論文主要揭示了，在格式限制下，LLMs的推理能力顯著下降，尤其是在JSON模式下。

一直以來，將LLMs納入工業應用程序的一個主要障礙是它們缺乏對標準化輸出格式的遵守。

一種常見解決方法是結構化生成，即通過格式限制讓LLMs以JSON或XML等標準化格式提供輸出。

不過話說回來，雖然有多種方式可以實現這種限制，但後續影響卻無人研究。（限制是否影響模型性能呢?）

說幹就幹，研究人員採用3種常見方法來評估不同格式限制對下游性能的影響：

對了，還要加上自然語言（NL），它是最不受限的格式，允許模型以自然語言自由地回答問題。

評估對象是GSM8K（包含自然語言環境中的數學問題）和Last Letter Concatenation（最後一個字母連接任務）這兩個需要精確匹配答案的數據集，以及Shuffled Objects（洗牌對象追蹤任務）。

他們發現，在這些涉及推理的任務中，更寬鬆的提示通常會得到更好的結果。

同時，JSON模式在大多數情況下表現最差，其次是格式限制指令（FRI），然後是自然語言到格式（NL to Format）轉換，以及自然語言（NL）提示。

研究還發現，不同的LLMs對不同的數據格式表現出不同的偏好。

例如，GPT更喜歡YAML格式，Claude更喜歡XML格式，而Gemini/Gemma則更傾向於JSON格式。

不過，在分類任務中，格式限制可能提高了準確性，因爲它減少了可能的答案選擇，從而降低了錯誤率。

他們進一步總結了格式限制會降低模型推理能力的原因，主要包括：

好消息：能治

針對這一問題，他們提出了幾種應對之策：

首先，前面提到了JSON模式在大多數情況下表現最差，最後纔是自然語言到格式（NL to Format）轉換。

那麼反過來說，解決格式限制的最佳方案就成了NL to Format，即LLMs首先用自然語言回答問題，然後再將答案轉換爲目標格式。這種方式允許推理與格式遵守分離，從而表現更佳。

此外，結構化輸出中的鍵順序對LLMs的回答方式有重要影響。

例如在使用GPT-3.5 Turbo時，100%的JSON-mode響應錯誤地將“answer” 鍵位於 “reasoning” 之前，這導致模型直接給出答案，而不是展示思考過程。

研究還表明，格式限制導致的解析錯誤不是性能差異的主要原因。

例如，在LLaMA 3 8B模型中，Last Letter任務的JSON格式解析錯誤率僅爲0.15%，但與自然語言響應相比，性能差距達到了38.15%。

而且可以通過糾正提示來減輕這些錯誤，例如對於Claude-3-Haiku模型，在Last Letter任務中，通過糾正步驟，JSON和YAML格式的準確率分別提高了+2.8%和+44.8%。

以上也意味着，在應用LLMs時，需要在易於解析的格式和保留固有推理能力之間找到平衡點。

最後，研究人員在論文中提醒了：