全球和局部精细化：提升大模型推理能力的新方法

人工智能咨询培训老师叶梓转载标明出处

尽管大模型在数学、科学或编程任务上表现出优异的推理精细化能力，但它们在没有外部反馈的情况下，很难识别何时何地需要精细化。为了解决这一问题，来自Meta的FAIR团队和佐治亚理工学院的研究者们提出了一种新的方法——全球和局部精细化（Global and Local Refinements），旨在提升LLMs在没有外部反馈的情况下的自我精细化能力。

该方法通过分解问题——决定何时精细化、在哪里精细化以及如何精细化——来利用奖励模型（RMs）。具体来说研究者们首先使用结果基础奖励模型（Outcome-based Reward Models, ORMs）来判断最终答案的正确性，以决定何时需要精细化。然后，提出了一种新的步骤精细化ORM（Stepwise ORMs, SORMs），专门用来评估中间步骤的正确性，从而更准确地检测出不正确的推理步骤。

方法

改善大模型（LLMs）在推理任务中的自我精细化能力过程被分解为三个主要阶段：

判断草稿的正确性：研究者们首先使用ORM来预测草稿D是否正确。ORM被训练来预测草稿最终答案的正确性概率，这有助于确定何时需要对答案进行精细化。
定位错误的起始步骤：接下来，研究者们需要确定从哪个步骤开始精细化，即识别出第一个错误的步骤。为此，他们提出使用(S)ORM来定位错误，这使得精细化任务变得更加具体和有针对性。
修正初始草稿：最后研究者们需要学习如何修正初始草稿中的错误。这需要精细化模型来决定如何修正错误并继续进行。

为了在步骤级别识别错误，研究者们利用ORM的中间预测。ORM在这一步Si的预测可以被解释为策略π的价值函数，它预测具有前缀Pi的解决方案最终答案的正确性概率。这个预测依赖于数据生成策略π，因此ORM的预测可以被看作是在预测π的价值函数。

ORM预测的概率可以写成，这里Pi=(S1,...,Si)是所有先前步骤的前缀，而is_correct(A)是采样自π的完整解决方案A具有正确最终答案的事件。这可以被理解为预测策略π在状态S（由问题Q和中间步骤Sj组成）的平均回报。

尽管ORM可以近似作为价值函数，但它在识别错误步骤时可能会过于悲观，因为它预期数据生成策略π会失败。例如，如果π在涉及除法的问题上总是失败，ORM会在学生采取第一步之前就对这个问题赋予低成功率。

为了解决这个问题，研究者们提出了学习步骤精细化ORM（SORM）。SORM旨在直接近似推理任务的最优价值函数V*，这个函数对应于能够从任何逻辑上有效的中间状态Sj成功解决推理任务的最优策略。SORM通过拒绝采样学生策略π*来近似最优策略，这涉及到在模型生成的解决方案中对每个步骤Si进行采样，并检查最终答案的正确性。

研究者们设计了一个三步训练管道，用于合成精细化数据，并对ORM和SORM进行训练，如图1所示。首先，研究者们通过RL微调基础模型以产生一个强大的学生策略π。然后，他们通过在训练数据上采样π来生成ORM/SORM训练数据。最后，他们通过将不正确的rollout与正确的rollout配对来生成全局和局部的精细化数据。例如，SORM训练样本包括步骤前缀(S1, ..., Si)，前缀的二元正确性标签li，以及从Pi验证正确性的验证rollout集合T1, ..., TK。

第1步：微调学生模型

首先，研究者们使用专家迭代（Expert Iteration, EI）方法微调模型，以产生基础检查点。这一步骤涉及对每个问题采样学生模型K=96次，并过滤掉最终答案不正确的样本。然后对剩余样本进行去重，构建新的微调数据集R1。接着，将R1与任何可用的监督微调（Supervised Fine-Tuning, SFT）数据结合，生成D1，并再次微调预训练模型。这个过程一直重复，直到连续微调的maj@1得分收敛。微调数据集Di是第i步生成的rollouts与之前生成的训练数据的联合（D0为空集或SFT）。

第2步：训练ORM/SORM

ORM训练数据是通过采样RL微调后的学生策略πK次来生成的。每个中间步骤Si被标记为正确或不正确，这取决于最终答案的正确性。

对于SORM，研究者们通过在模型生成的解决方案中采样近似最优策略π*，并检查最终答案的正确性来生成训练数据。这一过程使用拒绝采样方法，即从步骤Si开始，采样学生策略π进行K次rollout，生成验证轨迹T1, ..., TK，并根据正确的最终答案标记li。如果从Si开始可以找到正确的最终答案，则将Si标记为正面样本。实践中，每步采样K=8次rollout，每次生成最多300个token。否则，将Si标记为负面样本。然后，SORM的训练方式与ORM相同，预测解决方案中每个步骤后的正确标签。

为了提高通过拒绝采样近似最优策略的准确性，研究者们采取了几个后处理步骤：

如果步骤Si有正面标签li，则将之前所有步骤的标签都设置为正面。
强制执行验证rollout的一致性约束，确保每个中间结果在后续步骤中被使用。
平衡训练数据中每个前缀长度的正面和负面标签数量，避免模型倾向于在解决方案的开始预测正面标签，在结束时预测负面标签。

第3步：训练精细化模型

为了训练局部精细化模型，需要一个形式为(Q, AD, AR, E)的数据集，其中Q是问题，AD是初始草稿，E标记了AD中第一个错误的位置，指示在哪里进行精细化，AR是带有正确最终答案的精细化结果。在实践中，E通过在草稿中错误步骤Si前添加"[BAD]"标记来传达给局部精细化模型。在测试时，需要一个模型预测p(E|Q, AD)来定位草稿中的错误。由于SORM被明确训练来预测AD中每个步骤的正确性，因此可以通过在所有步骤上推断SORM并返回第一个预测正确性低于阈值T的步骤的索引来生成E。

图2展示了数学文字问题上的局部和全局精细化示例。左侧示例中，局部精细化在处理学生难以执行的分数除法时表现不佳。尽管所有先前步骤都是有效的，但局部精细化模型被迫再次尝试困难的操作或完全选择错误的操作。相比之下，全局精细化模型可能尝试用全新的方法解决问题。右侧示例中，模型接近最终答案，只是在最后做了一个简单的错误，局部精细化能够修正这个简单错误，而全局精细化则需要从头开始。

全局精细化数据集的构建与ORM训练数据集类似，通过将不正确的rollout与正确的rollout配对来完成。为了保持与局部精细化相似的格式，在不正确的rollout的开头放置一个[BAD]标记。然后将局部和全局精细化数据集合并，训练一个模型，使其能够进行全局和局部精细化。

评估

研究者们构建了一个测试集，用于评估ORM和SORM以及精细化模型的性能。这个测试集是通过在任务τ的测试问题Q上贪婪采样学生模型来生成的，得到的是问题和初始草稿的组合，即(Q, AD)，其中Q是问题，AD是初步解答。对于两个基准测试，这种测试集都被称为(Q, D)测试集。

为了生成中间步骤的标签，研究者们采用了与SORM训练数据相同的生成过程。他们通过比较ORM和SORM的预测与这些真实标签，来评估这些模型在测试集上的表现。在评估全局精细化性能时，研究者们贪婪地推断每个(Q, AD)样本上的精细化模型，并比较得到的全局精细化AGR与真实情况。而在评估局部精细化模型时，他们首先使用ORM或SORM标注每个(Q, AD)对中第一个错误的地点，形成一个(Q, AD, E)三元组，然后利用这个三元组来贪婪采样局部精细化模型。

为了获得最佳结果，研究者们提出对每个草稿AD同时采样一个全局精细化AGR和一个局部精细化ALR，并使用ORM作为重新排名器来选择最佳解决方案。这种策略基于一个观察：全局和局部精细化各自解决了学生最初失败的问题的一个互补的、部分不重叠的子集。因此，将两种精细化与草稿结合起来，显著扩展了研究者们能够解决的问题集合。另外使用ORM对精细化进行重新排名，可以与学生模型π生成草稿的“三选一”基线进行更清晰的比较。图3提供了评估流程的图解。

基于过程的局部精细化依赖于在解决方案的轨迹中定位推理错误，这种方法的缺点是它对学生模型进行精细化的能力是不可知的。作为替代，研究者们考虑了基于价值的精细化，它依赖于反馈来识别解决方案中模型最有可能成功的步骤。

研究者们在GSM8K和SVAMP数学文字问题基准上评估了他们的精细化流程。他们微调了Llama-2 7B和13B模型，以产生包括ORM、SORM和精细化模型在内的所有下游模型。每个模型尺寸的评估都是独立的，不使用不同尺寸模型的数据或反馈。通过贪婪采样得到的maj@1模型得分用于评估模型性能。

SORM在评估中间答案方面优于ORM：在GSM8K上，SORM将ORM的中间步骤准确率提高了最多8%，从73%提高到81%（见表1）。这证实了ORM在估计中间步骤正确性方面做得相当不错，但仍有改进空间，特别是在像GSM8K这样困难的任务上对较小模型进行评估时。这种标签准确率的差异也转化为精细化最终准确度的差异，这对于ORM/SORM可靠地识别错误位置至关重要。

表1显示了7B/13B ORM和SORM在测试集标签上的步骤级准确率。测试集的正样本标签占比为45%-55%，SORM在更难的GSM8K基准上比ORM具有更好的步骤级准确率，但在SVAMP上的步骤级准确率相当。

表2显示了7B/13B ORM和SORM在测试集标签上的最终答案准确率。ORM在预测最终答案正确性方面比SORM更准确。

研究者们使用ORM作为重排器来决定何时接受精细化AR。在执行局部精细化时，他们还可以使用ORM和SORM来识别AD中的第一个错误位置。对于ORM，通过标记第一个步骤Si，使得ORM(Si) ≤ T = 0.5，其中T是阈值超参数。SORM以类似的方式识别第一个错误。

在两个基准测试GSM8K和SVAMP上，全局和局部精细化模型都在努力了解何时进行精细化。全局和局部精细化在整体模型准确率上都显示出很少的改进。GSM8K 7B全局精细化甚至降低了整体准确率，其他模型的改进最多为1%。局部精细化更有可能提高整体准确率，这可能是由于存在“[BAD]”标记，指示第一个错误的位置（和存在）。

表3显示了在不正确的模型答案上的精细化准确率。使用SORM进行局部精细化可以修复模型之前失败的高达41%的问题。

图5显示了GSM8K和SVAMP上的精细化准确率。所有精细化模型都在努力识别不需要精细化的正确草稿。仅在精细化不正确草稿时，才看到显著的改进。

全局和局部精细化解决部分不相交的、互补的问题集：为了更好地理解全局和局部精细化的比较，研究者们检查了它们正确解决的问题的重叠部分。表3的最后两行显示，当结合使用时，全局和局部精细化可以修复来自13B学生13B的41%不正确的GSM8K草稿。单独使用全局精细化和使用SORM的局部精细化只能解决28%的问题。然而，当对同一问题采取两种类型的精细化中的最佳方案时，我们在所有基准和模型尺寸的组合上显著提高了性能。这表明局部精细化能够解决大量全局精细化无法解决的问题，反之亦然。

研究者们可以使用ORM作为重排器，以选择全局和局部精细化之间的适当选项。此外，他们还可以考虑将初始草稿作为第三种可能的选项，以决定是否要进行精细化。图6显示了对每个问题的草稿、全局和局部精细化进行重排的结果。由于我们实际上是在进行三次采样，我们包括了EI学生的最佳三个（Bo3）样本作为基线。我们还报告了如果我们有一个完美的重排器，始终能够选择正确解决方案的总体准确率。

重排草稿+精细化比草稿准确率平均提高了8%。在GSM8K上，使用ORM对精细化进行重排比Bo3基线提高了最多9%，使用完美的重排器可以提高多达13%。在SVAMP上，重排的Bo3是一个更具竞争力的基线，本身比草稿准确率有了很大的提高。当使用神谕重排器时，可以看到更大的改进，13B精细化器在GSM8K上比Bo3提高了11%。

实验表明，结合使用全局和局部精细化，并将ORM作为重新排序器，显著优于单独使用任一策略，或者最佳的三个样本基线。

论文链接：https://arxiv.org/abs/2402.10963