0 Abstract

• 普遍认为，LLM涌现出来的few-shot learning能力是超大参数模型独有的（>100B）【emergent abilities】；
• 作者认为，小模型（<10B）可以将这些能力从大模型（>100B）蒸馏下来【GPT3.5 -> T5】；
• 大模型具有强大的建模能力，但是它们需要处理各种各样的任务；小模型虽容量有限，但集中在特定任务上，模型可以达到不错的效果【model specialization】；
• 文章采用的测试任务是模型的multi-step math reasoning能力，并提供关于【微调数据格式】、【起始模型checkpoint】和【新的模型选择方法】的全面讨论。

1 Introduction

• 大模型在CoT的加持下，可以很好地解决数学推理等问题，而这种能力只有模型参数到达一定数量时才涌现出来
  

• 大模型在强大的同时，但哪里获得微调>100B模型的算力？如果小模型也能获得CoT加持是非常理想的，但是有研究指出，在小规模模型上使用CoT甚至会有负面影响

• 普遍认为让小模型从CoT中获益是非常困难的，但文章假设：将小模型运用于专有任务，也可以达到很好的modeling performance，而非聚焦于模型的通用能力

• 文章方法：从GPT3.5（175B）上将其CoT reasoning的能力蒸馏到FlanT5（11B）上。（FlanT5是基于T5小模型，经过CoT指令微调得到的，它具有CoT的通用能力，但相较大模型差得多）

• 文章的发现与贡献：

  • 通过实验证明，当小模型专有化时，也可以得到跟大模型类似的CoT scaling curve；
  • 详细描述了如何将模型的泛化能力转移到专有能力；
  • 现有方法通常在同一数据集的val set选择模型，而本文在多个不同的math reasoning dataset做选择以防止over-fitting，提高模型的OOD能力。

2 Background

• LLM ability：现有范式是训练base model -> tuning，并且发现了CoT中模型随着scale增大的涌现能力；
• 专门化模型：对于大模型，不必权衡不同任务的表现。而小模型由于容量有限，需要舍弃通用能力，常见做法是通过特定的data微调，但是这种方法通常没有OOD能力（即出现了over-fitting）；
• 本文关注的重点是【模型专门化过程中的能力权衡，即在目标任务上的泛化能力，确保模型的in-distribution and OOD performance】，而不是蒸馏或者数据增强；
• 相关工作：FlanT5（小模型CoT通用能力）、Huang et al.（大模型在CoT上的微调）

3 Specializing Multi-Step Reasoning

• Dataset：在GSM8K数据集上微调，但是在MultiArith, ASDiv, SVAMP上validation，并且在BigBench Hard上测试模型在专有任务的泛化能力；
  

• Model：T5和FlanT5作为基础模型，code-davinci-002【OpenAI的一个基础模型，适用于纯代码补全任务，隶属于GPT系列】生成蒸馏/专有数据；
  

3.1 Distillation from Code-Davinci-002

• 采用Code-Davinci-002生成训练所需要的微调数据集，主要有以下四种format：
  

• 通过这四种数据格式，作者可以探索以下问题：

  • 上下文信息对模型性能的影响是什么？
  • CoT提示是否有助于提高模型性能？
  • 模型是否可以在没有任何提示或上下文的情况下执行任务？

• 训练时让teacher和student的输出分布用KL散度进行衡量（仅存储分布的top-5节约内存，因为top-5的概率之和已经接近于1）

3.2 Aligning tokenizers by dynamic programming

• 由于GPT和T5所采用的tokenizer不同，需要解决两者分布的misalignment。
• 使用动态规划来解决alignment问题【复杂】：
  

4 Experiments

• 实验目的：可以提升小模型数学CoT性能的scale curve的程度，以及它的代价是多少？

4.1 Overall Performance Tradeoff

• 微调：使用GSM8K数据集让code-davinci-002生成40个CoT solutions，选择回答正确的进行微调；
• 测试：在GSM8K上测试in-distribution能力，在MultiArith, ASDiv, and SVAMP上测试OOD能力，在BigBench Hard上测试模型泛化能力；
• 结论小结：专有化的FlanT5在四个数据集均有大提升，但是在BBH损失了全部的CoT性能和大部分AO性能【这证明文章的假设：可以损失小模型的泛化能力来提升专有能力的性能，达到比肩大模型的效果】；
  

4.2 Scaling Behavior of Smaller Models’ CoT Ability

• 普遍认为，小模型的scale curve是平坦的，如同A图左边的部分；
• 文章指出，小模型（T5和FlanT5）可以在CoT tuning后呈现log-linear的scale curve，推翻“大模型涌现”这个说法【在tuning之前，小模型只是因为模型能力不足，导致中间步骤推理出错进而导致完全错误的结论，而不是代表小模型完全没有解决问题的能力，只是才scale足够大才涌现】；
• 经过CoT指令微调的FlanT5在专有化后，性能提升相较于raw T5有更大提升。
  

4.3 Specialization Process and Generalization Behaviors

• 蒸馏初期，模型就会失去CoT和大部分AO能力，而后专有能力波动提升；
• 在专有能力中，in-distribution和OOD能力是波动的，建议根据实际应用选择checkpoint；
  

4.4 Further Design Choices Analysis

• 蒸馏训练中，使用distribution match策略更优；
  

• 训练中，如果使用in-context learning训练，模型在测试时同时具有in-context和zero-shot能力；而如果只使用zero-shot训练，模型将损失几乎所有的in-context能力，这就是为什么文章需要混合不同format的数据。