设置
  • 日夜间
    随系统
    浅色
    深色
  • 主题色

北大千问团队推出数学专用版 CriticGPT,“找茬”让大模型进步更快

量子位 2024/7/8 23:30:24 责编:清源

批评不仅能让人进步,也能让大模型的能力提升。

OpenAI 就用这个思路造了个“找茬模型”CriticGPT。非常巧合的是,就在 CriticGPT 放出的前几天,北大联合千问等团队以类似的思路设计出了“数学专用版”CriticGPT。

在无需训练的设置下,验证器能够在推理时辅助模型在 GSM8K 上的准确率从 86.6% 提升到 88.2%。

在 GSM8K 数据集上,它可以让模型的准确率从 86.6% 提升到 88.2%。

CriticGPT 的核心思路是在代码中故意设置 bug 并进行详细标注,然后用得到的数据训练出会 debug 的模型。

北大团队发现,这种方法不仅在代码当中有用,也能帮助语言模型解决数学问题

于是团队利用相似的思路,把代码换成数学问题,推出了“数学版 CriticGPT”——Math-Minos

用 GPT4 逐步提出修正意见

在数学推理领域,验证解决方案的正确性,是确保推理质量的关键步骤。

然而,现有的数学验证器大多依赖于二元分类标签进行训练,这种方式在提供正确或错误原因的解释上存在明显不足,无法给验证器提供足够充分的监督信号来训练。

Math-Minos 则克服了这一局限,提供了更深入的解释,极大地丰富了验证器的训练信息。

它引入了逐步的自然语言反馈作为理由标签,不仅指出了解决方案的正误,还能逐步分析出错误的原因。

在自然语言反馈的获取上,研究团队一开始使用 GPT-4 生成训练数据,但通过实验发现,即使是 GPT-4,在逐步评价数学推理任务时也会出现一定比例的错误。

为了一定程度避免这个问题,研究人员通过在提示中引入步骤级别的二元分类标签,简化了 GPT-4 的任务,使得 GPT-4 能够更准确地生成评估。

首先,通过监督式微调,使用自然语言反馈作为训练数据,有效提升了模型的评估能力。

其次,通过标准的 ORM(Outcome Reward Model,输出奖励模型)和 PRM(Process Reward Model,过程奖励模型)训练,实现了高效的推理,这种做法有两个好处。

一是通过两阶段训练,可以将二分类数据和监督微调数据解耦。

由于监督信号的稀疏性,训练二分类的数据往往远多于监督微调的数据,而研究发现,仅需要少量的监督微调数据,就可以很大程度提升模型的评估能力

另一方面,在验证器进行验证时,不需要显示地生成自然语言反馈,让推理过程更高效。

ORM 任务表现明显提升

总得来看,研究人员在训练阶段添加了 30K 的自然语言反馈数据,为 Mistral-7B 验证器带来了数学能力的提升,在 Best-of-256 的实验设置下:

在 ORM 的设置下,MATH-Minos 将 Mistral-7B 的准确率在 GSM8K 数据集从 86.2% 提升到 87.3%,在 MATH 数据集从 35.9% 提升到 37.4%。

在 PRM 的设置下,MATH-Minos 将 Mistral-7B 的准确率在 GSM8K 数据集从 87.1% 提升到 87.6%,在 MATH 数据集从 36.7% 提升到 37.8%。

在与 Self-Consistency 结合的设置下,MATH-Minos 将 Mistral-7B 的准确率在 GSM8K 数据集从 87.1% 提升到 88.2%,在 MATH 数据集从 37.8% 提升到 38.6%。

在 ORM 和 PRM 任务设置中,Math-Minos 均展现出了优越的性能,特别是在 ORM 设置中,其改进更为显著。

另外,研究团队还对生成器在步骤级别产生的错误进行了深入分析,将其归类为五种类型 —— 无关错误、累积错误、计算错误、逻辑错误和其他错误。

分析结果表明,在多步骤推理中,步骤错误的可能原因有很多种,而且模型在这些错误类型中都有可能出错,这进一步强调了引入自然语言反馈来指导模型学习的重要性。

实验发现,在两个数据集上,累积错误(即一个步骤的错误很可能直接导致所有后续步骤的错误)在所有错误类型中占到的比例最高。

不同数据集上的错误分布也有不同的特点,在相对简单的 GSM8K 上,计算错误更多;在更困难的 MATH 数据集上,逻辑错误更多。

通过构建元评估集,研究团队评估了验证器在没有生成器影响下,准确判断最终答案的能力。

结果显示,Math-Minos 在训练过程中的元评估一致优于传统的 ORM,并且展现出更快的收敛速度和更精准的判断能力。

同时实验结果也表明,Math-Minos 具有很强的 Scale Up 的潜力。

总之,Math-Minos 的开发不仅提升了数学验证器的性能,更为自然语言处理领域提供了一种新的训练范式。

研究团队希望这项工作能够启发未来研究,探索自然语言反馈与分类式验证器的潜在整合,推动大型语言模型在复杂推理任务上的能力。

论文地址:

  • https://arxiv.org/abs/2406.14024

GitHub:

  • https://github.com/KbsdJames/MATH-Minos

本文来自微信公众号:量子位(ID:QbitAI),作者:关注前沿科技

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:人工智能大模型

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