摘要

在回答问题时，人类会利用不同模态的信息来合成一条连贯且完整的思维链（Chain of Thought, CoT）。对于大规模语言模型等深度学习模型而言，这一过程通常是黑箱操作。最近，科学问题基准被用于诊断AI系统的多跳推理能力和可解释性。然而，现有的数据集要么未能提供答案注释，要么仅限于纯文本模态、小规模和有限的领域多样性。为此，我们提出了科学问答（ScienceQA）这一新基准，它包含约2.1万个具有多种科学主题的多模态多项选择题，并对答案进行了注释，提供了相应的讲座和解释。我们进一步设计了语言模型，使其能够生成讲座和解释作为思维链（CoT），以模拟回答ScienceQA问题时的多跳推理过程。ScienceQA展示了思维链（CoT）在语言模型中的实用性，因为CoT在少样本GPT-3中提升了1.20%的问题回答性能，在微调后的UnifiedQA中提升了3.99%。我们还探索了通过在输入中加入解释来提高模型性能的上限；观察到这可以将GPT-3的少样本性能提升18.96%。我们的分析进一步表明，类似于人类，语言模型也能从解释中受益，在较少的数据量下达到相同的表现水平，只需40%的数据即可实现同等性能。数据和代码可在https://scienceqa.github.io 获取。