第4章你来自哪？
第4章你来自哪？(第3/4页)
编程竞赛里，隐藏测试是不可见的。你怎么避免只是发明出一套带有自己偏差的基准测试？”
这次light_chen没有马上回复。
过了大约五分钟，他发来一段更长的回答。
“我们只需要用一组根据题目描述和候选程序行为生成的探针。
对每个候选程序，提取它隐含的假设，然后生成小规模的对抗性探针族，专门攻击这些假设。
在最终过滤之前，估计候选解的多样性是否真实存在。如果80%的候选程序都死在同一类探针族上，那么就可以顺利掩盖一个已经坍缩的策略空间。”
伊戈尔开始认真起来。
他回复：“假设我们接受这个观点。那么指标应该长什么样？原始聚类数量？失败家族上的熵？还是别的什么？”
“我会定义三个数字。
原始采样数：生成了多少个程序。
行为幸存数：有多少程序通过了可见测试或样例测试。
语义有效样本量：在自适应探针下，还剩下多少个不同的失败吸引域。
有用的比率增加语义有效样本量/原始采样数和语义有效样本量/行为幸存数。
如果第一个比率很小，说明模型采样到的只是风格。
如果第二个比率很小，说明过滤器选出来的只是同一个想法的不同变体。
如果两个比率都会随着规模提高而提高，那么模型确实在学习真正的策略多样性。”
伊戈尔靠在椅背上，仔细一想，卧槽大佬啊，对方给的策略有点可行性。
他看出价值了，没有再继续在推特上继续和对方聊天，而是选择切换到推特私信里。
先给light_chen点了个关注，然后接着问道：“你认为这是代码生成特有的问题，还是语言模型的一般性限制？”
“一般性限制，但代码把它暴露出来。”
“在语言里，表面多样性甚至更具有欺骗性。十个答案看起来可以完全不同，却共享同一个隐藏框架。”
“代码有用，是因为失败可以被运行给判断出来。”
“如果我们能做到如何在代码里测量坍缩的策略空间，就能得到一种更广泛诊断推理系统的方法。”
伊戈尔想了想，问了个有点尖锐的问题：“如果没有alphacode的内部访问权限，你怎么测试这一点？”
他想看看对方能不能在没有alphacode的内部权限的情况下设计出近似验证方法。
过了一会儿，light_chen回复：
“使用演示题目里的公开样例足够做一次合理性检查。”
“选择那些演示中展示了多个生成解法或解释的题目。”
“手动重构解法家族。”
“围绕可能的不变量生成对抗性变体。”
“比较这些不同的解法是否会一起
（本章未完，请点击下一页继续阅读）