设置
  • 日夜间
    随系统
    浅色
    深色
  • 主题色

OpenAI 出手解决 GPT-4 数学推理:做对一步立刻奖励,论文数据集全开放,直接拿下 SOTA

量子位 2023/6/2 12:34:01 责编:梦泽
感谢IT之家网友 HH_KK 的线索投递!

OpenAI 一个简单的动作,让大模型数学能力直接达到 SOTA。

而且直接开源论文数据集,包含 80 万个人类反馈标签!

这就是 OpenAI 的最新研究。基于 GPT-4,他们微调了几个模型,分别采用不同的监督方法。

一种是传统的结果监督,只对最终正确答案进行奖励。

另一种则是过程监督,区别在于奖励增加,对每一个正确的推理步骤进行奖励。

结果这一点改变,让采用过程监督的模型 Process Reward Model(PRM),可以解决 MATH 测试集代表子集中 78% 的问题,达到 SOTA。

英伟达 AI 科学家 Jim Fan 大胆预测说,下一步 OpenAI 大概会用这种方法微调 GPT-4。

OpenAI 表示:

我们认为探索过程监督在数学之外领域的表现非常重要。如果这些结果具有普遍性,那意味着过程监督将成为比结果监督更有效的方法。

奖励增多、效果变好

话不多说,先看 OpenAI 给出的具体例子。

比如这样一道三角函数的题:

用过程监督的模型来算,效果会是这样的:

OpenAI 表示,这道题对于大模型来说还是比较有挑战性的,GPT-4 也不太能搞定(只有 0.1% 的情况生成结果完全没问题)。而使用过程奖励是可以算出正确答案的。

这也是目前大语言模型比较饱受诟病的问题,容易产生逻辑错误,也被称为“幻觉”。

表现最明显的领域就是数学。

即便是先进如 GPT-4,这类问题也难以避免。

而降低幻觉的出现,又被视为走向 AGI 的关键一步。

此前为检测幻觉所使用的是结果监督,基于最终结果提供反馈,仅仅奖励最终正确的答案。

但效果显然还不太行,所以 OpenAI 想了个新招,把这种奖励增加会怎么样?

于是他们提出了过程监督方法,针对思维链中的每个步骤提供反馈,奖励每个正确的推理步骤。

结果表明,用 MATH 数据集进行测试后:

过程监督模型能够解决 MATH 测试集代表子集的 78% 的问题。效果优于结果监督。

而且随着每个问题考虑的解决方案的数量增加,性能差距也逐渐增大,也说明了过程监督的奖励模型更加可靠。

纵轴表示的是已解决的问题的百分比,红色线代表的是过程监督奖励模型(ORM),蓝色线代表的是结果监督奖励模型(PRM)

在测试中,过程监督有一个明显的优势:

可以准确指出解决问题的步骤中哪些是正确的,并且给出错误步骤的具体位置。

而这点在结果监督中,是具有挑战性的。

因此,在过程监督中,信用分配(credit assignment)更加容易。

而且在对齐方面,过程监督也优于结果监督

因为过程监督会直接奖励模型,按照对齐的思维链进行操作,每个步骤都会更精确。

产生的结果可解释性也更高,因为它鼓励模型遵循经过人类批准的过程。

相比之下,基于结果的监督可能会出现奖励不对齐的过程,而且通常更难进行审查。

此外,大模型还经常遇到一个问题叫做对齐税(alignment tax)。也就是想让模型输出更安全,那性能就会有所下降。

而过程奖励,在数学领域能让这个对齐税,变成负的,即模型安全性和性能都保障。

总之,过程奖励这个小窍门,一次性解决了大模型数学推理方面的多个问题。

在实验结果方面,OpenAI 还给出了多个实例。

比如有一些情况,GPT-4 会出错,但是基于过程奖励的 PRM 能揪出问题。

最近有 30 名学生参加了一次考试。如果有 20 名学生考了 80 分,8 名学生考了 90 分,2 名学生得分为 100 分,那么这次考试的班级平均分是多少?

下面是模型的作答结果:

前面的作答没有问题,但是在第 7 步中,GPT-4 试图对表达式进行简化,出现了错误。

而奖励模型却察觉到了这个错误。

当然也有都不成功的例子,比如下面这道题 GPT-4 和 PRM 都被迷惑了:

来看一下模型的回答:

在第 4 步中,GPT-4 错误地认为该序列每 12 项循环一次,而事实上是每 10 项循环一次。

而这种计数错误也迷惑到了奖励模型。

此外,OpenAI 共给出了 10 个问题和解决方案。

可以看出,基于过程监督的奖励模型在一些问题上也会被迷惑住,但是在整体上明显表现得更好。

网友:再也不用做数学证明题了

很快,OpenAI 的最新工作在各个平台上都引发了热烈讨论。

有人评价:

如果这个方法在非数学领域也能奏效,我们现在或许正处于游戏规则即将改变的时刻。

还有人说,这项工作如果用在互动、教育方面,会非常令人兴奋,尤其是数学领域。

这不,有人就说,看来以后不用再做数学家庭作业和证明题了(doge)。

用一张图来总结,大概就是酱婶儿的:

也有人提出了自己的担心:这种密集的奖励信号是否会导致模型更容易陷入局部最小值。

但是如果能够足够随机化、全局搜索,或许模型的鲁棒性更高。

值得一提的是,这种 step by step 的方法,不止一次在提升大模型性能上奏效。

之前,东京大学和谷歌的研究人员发现,只要在对话中加一句“Let’s think step by step”,GPT-3 就能回答出以前不会的问题。

比如提问:

16 个球中有一半是高尔夫球,这些高尔夫球中有一半是蓝色的,一共有几个蓝色的高尔夫球?

(问题不难,但要注意这是零样本学习,也就是说 AI 训练阶段从没见过同类问题。)

如果要求 GPT-3 直接写出“答案是几”,它会给出错误答案:8。

但加上让我们一步一步地思考这句“咒语”后,GPT-3 就会先输出思考的步骤,最后给出正确答案:4!

而与之相呼应的是,这回 OpenAI 最新研究的论文题目就叫做《Let’s Verify Step by Step》。

论文地址:

https://openai.com/research/improving-mathematical-reasoning-with-process-supervision

数据集:

https://github.com/openai/prm800k

参考链接:

  • [1]https://twitter.com/OpenAI/status/1663957407184347136

  • [2]https://twitter.com/DrJimFan/status/1663972818160332800

  • [3]https://twitter.com/_akhaliq/status/1663981726647894027

本文来自微信公众号:量子位 (ID:QbitAI),作者:明敏 西风

广告声明:文内含有的对外跳转链接(包括不限于超链接、二维码、口令等形式),用于传递更多信息,节省甄选时间,结果仅供参考,IT之家所有文章均包含本声明。

相关文章

关键词:人工智能ChatGPT

软媒旗下网站: IT之家 最会买 - 返利返现优惠券 iPhone之家 Win7之家 Win10之家 Win11之家

软媒旗下软件: 软媒手机APP应用 魔方 最会买 要知