「找到一项义务，越大的模型反而表现越差，你就有机会拿走 10 万美元的奖金。」这是纽约大学的几位研究人员组织的一项另类角逐。
随着谈话模型变得越来越大（参数数量、使用的计算量和数据集大小都变大），它们的表现似乎也原来越好，这被称为自然谈话的 Scaling Law。
但是，这些模型也有自己的缺陷，比如存在偏见、可能产生看似合理实则失误的信息。这项角逐的目的就是要找到一些大模型不擅长的例子。
组织者将这些现象称为 inverse scaling。这样的例子似乎并不罕见，但确实也能找到了一些。比如在问答义务中，如果在提问的同时加上你的信仰，大模型会更容易受到影响。其他可能的例子还包括模仿 prompt 中的失误 / bug 或重复罕见的失误概念。这些例子能让我们了解当前谈话模型预训练和缩放范式的潜在问题，还可以为改进预训练数据集和目标提供灵感。
角逐共有两轮，第一轮截至时间是 2022 年 8 月 27 日，第二轮截至时间是 2022 年 10 月 27 日。
参赛者需要做到以下几点：
确定一个疑似显示了 inverse scaling 的义务；
为该义务构建包孕 300 多个示例的数据集；
使用 Colab notebooks，用 GPT-3/OPT 测试你的数据集的 inverse scaling。
提交的作品将根据 AnthropicAI（一家非营利 AI 安全研究公司）提供的一系列私人模型进行评估，奖项将由一个匿名评审团决定。
其中，一等奖一名，奖金为 10 万美元；二等奖五名，奖金 2 万美元；三等奖 10 名，奖金为 5000 美元。总奖金池为 25 万美元。
角逐结束后，组织方将撰写一份结果调查报告，并发布一个包孕已接受义务的基准，获奖者将被邀请为论文的共同作者。
更多详细内容参见 GitHub：
项目链接：https://github.com/inverse-scaling/prize