谷歌聯(lián)合研究：合成數(shù)據(jù)讓大模型數(shù)學推理能力飆升八倍

近期，由谷歌、卡內(nèi)基梅隆大學和MultiOn組成的聯(lián)合研究團隊，發(fā)布了一項關(guān)于合成數(shù)據(jù)在大型模型訓練中應用的重要研究成果。

專注于人工智能發(fā)展的研究機構(gòu)Epoch AI報告指出，當前全球約有300萬億個公開可用的高質(zhì)量文本訓練標記。但隨著像ChatGPT這類大模型的快速發(fā)展，對訓練數(shù)據(jù)的需求呈指數(shù)級增長，預計在2026年之前，這些現(xiàn)有數(shù)據(jù)將被耗盡。在此背景下，合成數(shù)據(jù)成為了關(guān)鍵的替代方案。

研究人員著重探索了兩種合成數(shù)據(jù)類型，即正向數(shù)據(jù)和負向數(shù)據(jù)。正向數(shù)據(jù)是由高性能大模型，如GPT - 4和Gemini 1.5 Pro生成的正確問題解決方案，為模型提供解決數(shù)學問題的范例。然而，單純依靠正向數(shù)據(jù)進行訓練存在明顯局限。其一，這種方式可能無法讓模型真正理解問題解決背后的邏輯，只是通過模式匹配來學習；其二，隨著訓練數(shù)據(jù)量的增加，模型可能會學到虛假的相關(guān)性，導致在處理新問題時泛化能力降低。

有鑒于此，研究人員引入了負向數(shù)據(jù)，也就是經(jīng)過驗證為錯誤的問題解決步驟。這能幫助模型識別并避免錯誤，從而增強其邏輯推理能力。盡管使用負向數(shù)據(jù)存在挑戰(zhàn)，因為錯誤步驟可能包含誤導性信息，但研究人員借助直接偏好優(yōu)化（DPO）方法，成功讓模型從錯誤中學習，并強調(diào)每個問題解決步驟的重要性。

DPO方法會為每個問題解決步驟分配一個優(yōu)勢值，以反映其相對于理想解決方案的價值。研究發(fā)現(xiàn)，高優(yōu)勢步驟是正確解決問題的關(guān)鍵，而低優(yōu)勢步驟可能意味著模型推理存在問題。基于這些優(yōu)勢值，模型能夠在強化學習框架內(nèi)動態(tài)調(diào)整策略，更高效地從合成數(shù)據(jù)中學習和改進。

為驗證合成數(shù)據(jù)的有效性，研究團隊選用DeepSeek - Math - 7B和LLaMa2 - 7B等模型，在GSM8K和MATH數(shù)據(jù)集上開展了全面測試。結(jié)果令人驚喜，經(jīng)過正向和負向合成數(shù)據(jù)預訓練的大模型，在數(shù)學推理任務上的性能提升了八倍。這一研究充分彰顯了合成數(shù)據(jù)在增強大模型邏輯推理能力方面的巨大潛力，為大模型的發(fā)展開辟了新的方向。（Suky）

生成海報

免責聲明：本網(wǎng)站內(nèi)容主要來自原創(chuàng)、合作伙伴供稿和第三方自媒體作者投稿，凡在本網(wǎng)站出現(xiàn)的信息，均僅供參考。本網(wǎng)站將盡力確保所提供信息的準確性及可靠性，但不保證有關(guān)資料的準確性及可靠性，讀者在使用前請進一步核實，并對任何自主決定的行為負責。本網(wǎng)站對有關(guān)資料所引致的錯誤、不確或遺漏，概不負任何法律責任。任何單位或個人認為本網(wǎng)站中的網(wǎng)頁或鏈接內(nèi)容可能涉嫌侵犯其知識產(chǎn)權(quán)或存在不實內(nèi)容時，應及時向本網(wǎng)站提出書面權(quán)利通知或不實情況說明，并提供身份證明、權(quán)屬證明及詳細侵權(quán)或不實情況證明。本網(wǎng)站在收到上述法律文件后，將會依法盡快聯(lián)系相關(guān)文章源頭核實，溝通刪除相關(guān)內(nèi)容或斷開相關(guān)鏈接。