NEWTON: Are Large Language Models Capable of Physical Reasoning?
Notice bibliographique
Résumé
Large Language Models (LLMs), through their contextualized representations, have been empirically proven to encapsulate syntactic, semantic, word sense, and common-sense knowledge.However, there has been limited exploration of their physical reasoning abilities, specifically concerning the crucial attributes for comprehending everyday objects.To address this gap, we introduce NEWTON, a repository and benchmark for evaluating the physics reasoning skills of LLMs.Further, to enable domain-specific adaptation of this benchmark, we present a pipeline to enable researchers to generate a variant of this benchmark that has been customized to the objects and attributes relevant for their application.The NEWTON repository comprises a collection of 2800 object-attribute pairs, providing the foundation for generating infinitescale assessment templates.The NEWTON benchmark consists of 160K QA questions, curated using the NEWTON repository to investigate the physical reasoning capabilities of several mainstream language models across foundational, explicit, and implicit reasoning tasks.Through extensive empirical analysis, our results highlight the capabilities of LLMs for physical reasoning.We find that LLMs like GPT-4 demonstrate strong reasoning capabilities in scenario-based tasks but exhibit less consistency in object-attribute reasoning compared to humans (50% vs. 84%).Furthermore, the NEWTON platform demonstrates its potential for evaluating and enhancing language models, paving the way for their integration into physically grounded settings, such as robotic manipulation.Project site: https: //newtonreasoning.github.ioTrack 3: Implicit Scenariobased Analysis Scenario 1 Attribute: Stiffness (high), Brittleness (low) Context: I am packing a backpack.Question: Which of , , , should I put at the bottom?Scenario 2 Attribute: Malleability (high), Elasticity (high) Context: I have an irregularly shaped space in my suitcase, and four objects with the same volume.Question: Which of , , , could fit in that space?Scenario 3 Attribute: Surface Hardness (high), Surface Smoothness (low) Context: I need an object to place sandpaper above.Question: Which of , , , is the most suitable?Scenario 4 Attribute: Sharpness (high) Context: I am trying to open some plastic packaging.Question: Which of , , , can help me open?Scenario 5 Attribute: Softness (high), Elasticity (high) Context: I am wrapping fragile gifts and want to protect them from impact.Question: Which of , , , should I choose for cushioning?Scenario 6 Attribute: Surface hardness (high), brittleness (low), stiffness (high) Context: I need to hammer a nail into a solid wooden board.Question: Which of , , , should I choose?Scenario 7 Attribute: Sharpness (high) Context: I need to prepare a work table as a play area for kids.Question: Which of , , , should I remove?Scenario 8 Attribute: Brittleness (low), Elasticity (high) Context: I have a robot which sorts objects by tossing them to bins.Question: Which of , , , should I remove?Scenario 9 Attribute: Softness (high), Elasticity (high) Context: I need an object to provide insulation from a sharp edge on a piece of furniture.Question: Which of , , , should I choose?
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,009 | 0,072 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,005 | 0,014 |
| Science ouverte | 0,003 | 0,004 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,011 | 0,004 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».