深度学习自然语言处理 原创
作者：Winnie

代码数据对提升LLM的推理能力有效吗？为了解答这个问题，最近的一篇工作提出了CIRS（复杂度影响推理分数）这一新的指标，用来衡量代码数据的复杂性，进而验证不同复杂度的代码数据与LLM推理能力的关系。让我们一起来看看有什么有趣的发现吧。

进NLP群—>加入NLP交流群

Paper:
When Do Program-of-Thought Works for Reasoning?

Link：
https://arxiv.org/abs/2308.15452

💡什么是PoT(Program-of-Thought)？

在介绍这篇论文之前，先让我们回顾一下PoT（Program-of-Thought）。它是一种解决数值推理任务的方法，将计算和推理两个任务分离开来。具体来说，PoT将问题简化成编程逻辑，并用额外的语言解释器，例如用Python进行编译，得出结果。这种方法能够在几个数学数据集上显著提高了性能，超过了CoT的表现。

下图是CoT与PoT方法的对比。

🤔PoT什么条件下有效？

PoT虽然有所表现，但在什么条件下，它最能提升推理能力？为了解答这个问题，研究者提出了CIRS这一新指标。CIRS的目标是通过量化代码的结构和逻辑复杂度，来探讨它们如何影响LLM的推理能力。

🧮如何计算CIRS？

我们假定代码数据可以提升LLM推理能力，是由于下面两个原因：

• 结构上，与自然语言相比，代码具有复杂结构建模能力；

• 逻辑上，代码面向过程的逻辑有助于解决多步推理问题。

因此，CIRS计算代码复杂度从结构和逻辑两个方面衡量。

• 结构上：用一种叫做“抽象语法树”（AST）的技术来编码代码的结构信息。

• 逻辑上：通过计算代码中操作数和运算符的数量来衡量代码逻辑的复杂度。

最后，CIRS指标就是结构复杂度和逻辑复杂度的乘积。CIRS给了我们一个全面但直观的量化方式，来观察代码复杂度对LLM推理能力的影响。

📈代码数据的影响评估

研究进行了以下实验：

• 首先进行数据合成，并用CIRS计算代码数据的复杂度，根据计算结果，将数据分成三个不同的子集；

• 基于LLAMA1.0版本训练了三个不同参数大小的模型，从每个子集中随机选择1,700个实例来构建训练和验证数据集，验证不同复杂度的代码数据对模型性能的影响；

• 最后利用自动合成和分层算法，并以最有效的复杂度评估其在过滤数据上的性能，从源数据集过滤掉更多数据来训练增强的推理模型。

实验结果有几个关键发现：

1️⃣ 适度复杂度最佳：如果代码数据过于简单或复杂，LLM的推理能力反而会受到限制。

2️⃣ 参数越多越好：大型LLM（比如有750亿参数）在推理任务上表现得更出色。

3️⃣ 局限：当代码过于复杂，即使是大型LLM也难以理解和推理。

🚀 总结

尽管PoT在一些数据集上取得了比CoT更好的结果，但我们依然不清楚这种方法是如何促进推理的。这一研究是一个初步的尝试，不仅探索了代码数据对LLM推理能力的影响，还为如何设计更有效的推理模型提供了新的思路。

---

进NLP群—>加入NLP交流群