在人工智能的發(fā)展歷程中，大語(yǔ)言模型(LLM)的推理能力一直是研究的核心焦點(diǎn)。然而，傳統(tǒng)的推理能力增強(qiáng)方法往往依賴于高質(zhì)量的監(jiān)督信號(hào)，如標(biāo)注好的答案或外部獎(jiǎng)勵(lì)模型，這不僅成本高昂，而且難以擴(kuò)展。近期，來(lái)自上海人工智能實(shí)驗(yàn)室、西安交通大學(xué)等機(jī)構(gòu)的研究團(tuán)隊(duì)提出了一個(gè)革命性的解決方案——Genius框架，這是一個(gè)可泛化、純無(wú)監(jiān)督的高級(jí)推理自訓(xùn)練框架，能夠讓大語(yǔ)言模型在沒(méi)有任何外部監(jiān)督的情況下自我提升推理能力。

傳統(tǒng)方法的局限性

目前增強(qiáng)LLM推理能力的方法主要分為兩類(lèi)：一類(lèi)是監(jiān)督微調(diào)(SFT)，需要與查詢配對(duì)的帶有良好注釋的響應(yīng)；另一類(lèi)是強(qiáng)化類(lèi)方法，需要基本事實(shí)答案或驗(yàn)證。前者在數(shù)學(xué)和編碼等特定領(lǐng)域有效，但許多其他問(wèn)題缺乏明確的解決方案或基本事實(shí)，難以推廣到更廣泛的推理任務(wù)。后者利用外部獎(jiǎng)勵(lì)模型進(jìn)行驗(yàn)證，但通用獎(jiǎng)勵(lì)模型的訓(xùn)練依賴昂貴的注釋，并可能引發(fā)獎(jiǎng)勵(lì)黑客問(wèn)題。

這些限制促使研究者提出一個(gè)關(guān)鍵問(wèn)題：如何在沒(méi)有任何外部監(jiān)督的情況下提高LLM推理能力？

Genius：無(wú)監(jiān)督自訓(xùn)練的創(chuàng)新框架

Genius框架通過(guò)提出一種可泛化的自訓(xùn)練方法解決上述問(wèn)題。與傳統(tǒng)方法不同，Genius只需要策略LLM本身和一組無(wú)監(jiān)督查詢，無(wú)需外部輔助。它建立在自訓(xùn)練范式之上，即LLM首先根據(jù)輸入查詢生成響應(yīng)，然后選擇最優(yōu)響應(yīng)進(jìn)行訓(xùn)練。

核心技術(shù)創(chuàng)新

1. 基于前瞻性重采樣的探索與利用

生成自訓(xùn)練數(shù)據(jù)的關(guān)鍵挑戰(zhàn)是如何在不依賴外部資源的情況下收集和自我獎(jiǎng)勵(lì)LLM響應(yīng)。Genius采用逐步采樣方法，通過(guò)前瞻性技術(shù)來(lái)尋求最優(yōu)響應(yīng)序列。

具體來(lái)說(shuō)，Genius通過(guò)以下步驟工作：

• 步驟展開(kāi)與前瞻在每個(gè)時(shí)間戳，Genius首先展開(kāi)一組候選步驟，并通過(guò)模擬未來(lái)步驟來(lái)自我獎(jiǎng)勵(lì)它們。
• 基于前瞻的重采樣使用前瞻分?jǐn)?shù)來(lái)近似分布，然后對(duì)其進(jìn)行采樣以確定下一步（用于探索），并重新采樣以創(chuàng)建步驟級(jí)偏好對(duì)（用于開(kāi)發(fā)）。
• 優(yōu)勢(shì)計(jì)算與數(shù)據(jù)構(gòu)建為正面和負(fù)面響應(yīng)序列計(jì)算優(yōu)勢(shì)值，并構(gòu)建訓(xùn)練偏好對(duì)。

2. 優(yōu)勢(shì)校準(zhǔn)優(yōu)化（ACO）

雖然上述方法提供了一種質(zhì)量-效率平衡的解決方案，但基于少量展開(kāi)計(jì)算前瞻分?jǐn)?shù)分布可能導(dǎo)致步驟值的偏差估計(jì)，不可避免地為自監(jiān)督標(biāo)簽引入噪聲。為解決這一問(wèn)題，Genius引入了優(yōu)勢(shì)校準(zhǔn)優(yōu)化（ACO）損失函數(shù)，通過(guò)懲罰前瞻分?jǐn)?shù)和步驟優(yōu)勢(shì)之間的不一致估計(jì)來(lái)提高自訓(xùn)練優(yōu)化的魯棒性。

ACO損失函數(shù)可以分為兩個(gè)不同區(qū)域：正常區(qū)域和校準(zhǔn)區(qū)域。在正常區(qū)域，負(fù)面響應(yīng)序列與正面響應(yīng)序列可區(qū)分；而在校準(zhǔn)區(qū)域，當(dāng)負(fù)面響應(yīng)序列提供更多實(shí)際優(yōu)勢(shì)時(shí)，它將受到較少的懲罰（在自獎(jiǎng)勵(lì)計(jì)算中權(quán)重較小）。

實(shí)驗(yàn)結(jié)果：無(wú)監(jiān)督自訓(xùn)練的有效性

研究團(tuán)隊(duì)在多個(gè)推理基準(zhǔn)測(cè)試上評(píng)估了Genius的性能，包括：

• 數(shù)學(xué)推理：GSM8K、MATH、GPQA
• 邏輯推理：ReClor、LogiQA
• 一般推理：StrategyQA、ARC-Challenge
• 通用基準(zhǔn)：AlpacaEval、WildBench、ArenaHard、WikiBench、MMLU、MMLU-Pro
• 競(jìng)賽級(jí)任務(wù)：AIME2024

主要發(fā)現(xiàn)

• 顯著提升推理能力僅使用25K無(wú)監(jiān)督訓(xùn)練查詢，Genius就將LLaMA3.1-8B-Instruct的平均CoT推理性能提高了7.43%。
• 優(yōu)于強(qiáng)基線Genius在所有評(píng)估基準(zhǔn)上一致表現(xiàn)出最先進(jìn)的性能，平均優(yōu)勢(shì)>2%。
• 在具挑戰(zhàn)性任務(wù)中表現(xiàn)更佳在MATH等具挑戰(zhàn)性任務(wù)上，Genius比Self-Rewarding表現(xiàn)更好，優(yōu)勢(shì)>4%。
• 通用任務(wù)性能一致性Genius在通用領(lǐng)域保持了性能穩(wěn)定，大多數(shù)情況下略有改善。
• 適用于不同骨干LLM在Qwen2.5系列模型上的實(shí)驗(yàn)表明，Genius可以作為一種通用的后訓(xùn)練技術(shù)，既可以作為已后訓(xùn)練LLM的持續(xù)自訓(xùn)練方法，也可以作為模型本身的替代后訓(xùn)練策略。

后訓(xùn)練擴(kuò)展規(guī)律

研究還探索了Genius的后訓(xùn)練擴(kuò)展規(guī)律。結(jié)果表明，Genius能夠隨著訓(xùn)練步驟的增加迅速自我改進(jìn)，并且進(jìn)展平穩(wěn)。這表明使用Genius進(jìn)行自訓(xùn)練遠(yuǎn)未飽和，仍有改進(jìn)空間，而其他基線方法在擴(kuò)展時(shí)似乎面臨挑戰(zhàn)。

技術(shù)深度解析

方法論詳解

預(yù)備知識(shí)

Genius的一個(gè)主要優(yōu)勢(shì)是它只需要無(wú)監(jiān)督自然語(yǔ)言(NL)查詢作為輸入。在自訓(xùn)練設(shè)置下，LLM πθ根據(jù)查詢生成響應(yīng)，然后選擇最優(yōu)響應(yīng)來(lái)優(yōu)化自身。Genius的主要目標(biāo)分為兩部分：(1)合成和獎(jiǎng)勵(lì)響應(yīng)；(2)使用響應(yīng)優(yōu)化LLM。

基于前瞻重采樣的探索與利用

為確保多樣性，Genius在逐步采樣過(guò)程中使用束搜索策略。步驟束大小定義為M，文章中展示了M=2的簡(jiǎn)單情況。

步驟展開(kāi)與前瞻：在時(shí)間戳k-1，Genius保持M個(gè)前置路徑a<k，每個(gè)路徑由k-1個(gè)步驟組成。路徑中最后一步的值定義為Qk-1(m)，其中m∈[1,M]。對(duì)于每個(gè)束m，Genius首先展開(kāi)N個(gè)候選步驟ak，總共產(chǎn)生M*N個(gè)候選步驟。

為了解決自回歸生成的局限性并構(gòu)建全局感知的響應(yīng)，Genius基于每個(gè)候選步驟ak執(zhí)行未來(lái)步驟的模擬，稱為"前瞻"。這允許我們導(dǎo)出響應(yīng)序列及其各自的前瞻分?jǐn)?shù)，使用剩余步驟的平均對(duì)數(shù)概率計(jì)算：a'>k, fk ~ πθ(·|a<k; ak)

用于探索和利用的重采樣：基于前瞻技術(shù)，Genius通過(guò)在分布Fk上采樣來(lái)為當(dāng)前時(shí)間戳k選擇步驟ak(m)：{ak(m)}m=1^M ~ Categorical(Fk)

這樣，我們可以保持M個(gè)束用于下一步的探索。每個(gè)選定步驟ak(m)的Q值定義為前瞻分?jǐn)?shù)：Qk(m) := fk(m)

除了探索外，Genius還利用每個(gè)時(shí)間戳k處的整個(gè)響應(yīng)序列Tk=(a<k, ak, a'>k)進(jìn)行優(yōu)化。為了鼓勵(lì)多樣性并避免在類(lèi)似響應(yīng)上過(guò)擬合，我們基于分布Fk引入重采樣策略。

優(yōu)勢(shì)和數(shù)據(jù)構(gòu)建：由于推理序列是從不同的束完成的，僅用前瞻分?jǐn)?shù)fk評(píng)估每個(gè)步驟是不夠的。因此，Genius為正面和負(fù)面響應(yīng)序列導(dǎo)出優(yōu)勢(shì)值A(chǔ)k：Ak^w = fk^w - Qk-1^w, Ak^l = fk^l - Qk-1^l

從方程中可以看出，前瞻分?jǐn)?shù)通過(guò)前一步的Q值進(jìn)行校準(zhǔn)。

優(yōu)勢(shì)校準(zhǔn)優(yōu)化

給定構(gòu)建的偏好對(duì)，我們可以通過(guò)強(qiáng)化學(xué)習(xí)優(yōu)化LLM。還有兩個(gè)關(guān)鍵步驟未解決：(i)制定自我獎(jiǎng)勵(lì)以進(jìn)行偏好優(yōu)化；(ii)導(dǎo)出優(yōu)化目標(biāo)。

將自我獎(jiǎng)勵(lì)制定為偏好：基于Bradley-Terry模型，偏好的測(cè)量可以表示為：p*(T^w ? T^l|x) = σ(r*(x,T^w) - r*(x,T^l))

其中r*(T|x)表示最優(yōu)獎(jiǎng)勵(lì)函數(shù)，σ(·)表示sigmoid函數(shù)。在DPO的背景下，策略LLM πθ被用作隱式獎(jiǎng)勵(lì)模型，自我獎(jiǎng)勵(lì)函數(shù)φ建模為：φ(x,T) ∝ β·log(πθ(T|x)/πref(T|x))

ACO損失函數(shù)：在無(wú)監(jiān)督設(shè)置下，訓(xùn)練對(duì)是基于前瞻分?jǐn)?shù)分布采樣的，這會(huì)在優(yōu)化過(guò)程中引入噪聲。上述自我獎(jiǎng)勵(lì)公式以相同的尺度處理每個(gè)偏好對(duì)，難以檢測(cè)異常并提高魯棒性。因此，我們提出使用計(jì)算的優(yōu)勢(shì)值A(chǔ)來(lái)校準(zhǔn)自我獎(jiǎng)勵(lì)函數(shù)φ，為負(fù)面響應(yīng)序列的自我獎(jiǎng)勵(lì)添加松弛項(xiàng)w(x,A)：

φl(shuí)(x,T^l) = β·w(x,A)·log(πθ(T^l|x)/πref(T^l|x))

w(x,A) = clip(exp(-(A^l-A^w)/α), 1)

其中A^l-A^w表示負(fù)面步驟和正面步驟帶來(lái)的優(yōu)勢(shì)差異，α是控制松弛項(xiàng)尺度的超參數(shù)。

將自我獎(jiǎng)勵(lì)函數(shù)φw和φl(shuí)代入方程并使用負(fù)對(duì)數(shù)似然形式優(yōu)化，得到ACO損失：

LACO = -E(x,T^w,T^l)~D log σ[β·log(πθ(T^w|x)/πref(T^w|x)) - β·clip(exp(-(A^l-A^w)/α), 1)·log(πθ(T^l|x)/πref(T^l|x))]

實(shí)現(xiàn)細(xì)節(jié)

訓(xùn)練語(yǔ)料庫(kù)

訓(xùn)練查詢分別來(lái)自兩個(gè)通用語(yǔ)料庫(kù)：Magpie和OpenHermes-2.5。考慮到計(jì)算成本，研究者從Magpie隨機(jī)選擇25K查詢，從OpenHermes-2.5選擇32K查詢，分別用作自訓(xùn)練的來(lái)源。

基礎(chǔ)LLM

在主要實(shí)驗(yàn)中，研究者使用LLaMA3.1-8B-Instruct作為骨干。為驗(yàn)證泛化能力，還將自訓(xùn)練方法應(yīng)用于Qwen2.5-Instruct系列模型，包括3B和7B變體。

訓(xùn)練和推理設(shè)置

對(duì)于前瞻采樣配置，設(shè)置M=2，N=4，K=4。基于此，Magpie和OpenHermes2.5的訓(xùn)練對(duì)總數(shù)分別為100K和128K。推理過(guò)程由vLLM引擎加速。

與其他方法的比較

研究者將Genius與多種基線方法進(jìn)行了比較：

1. 需要監(jiān)督的方法：

• SFT：給定輸入查詢和標(biāo)記響應(yīng)對(duì)LLM進(jìn)行微調(diào)
• SPIN：通過(guò)類(lèi)似DPO的目標(biāo)，迭代細(xì)化模型生成的響應(yīng)與標(biāo)記響應(yīng)

2. 只需無(wú)監(jiān)督查詢的方法：

• STaR：通過(guò)微調(diào)從自構(gòu)建響應(yīng)持續(xù)引導(dǎo)
• CoH：通過(guò)自我提示獲取正面和負(fù)面響應(yīng)，并使用DPO損失函數(shù)優(yōu)化LLM
• Self-Rewarding：利用LLM自身作為評(píng)判者為自生成的響應(yīng)打分，然后使用DPO損失在構(gòu)建的偏好對(duì)上優(yōu)化LLM
• ScPO：生成多個(gè)軌跡并用自一致性標(biāo)記偏好

實(shí)驗(yàn)結(jié)果表明，Genius在所有評(píng)估基準(zhǔn)上一致優(yōu)于這些強(qiáng)基線方法。

消融研究：驗(yàn)證核心貢獻(xiàn)

為了揭示Genius核心貢獻(xiàn)的有效性，研究者分別對(duì)"采樣-獎(jiǎng)勵(lì)"策略和優(yōu)化目標(biāo)進(jìn)行了消融研究。

采樣策略消融

消融前瞻模塊導(dǎo)致平均性能下降3.17%-3.25%，說(shuō)明前瞻采樣策略緩解了語(yǔ)言模型生成的短視性，前瞻分?jǐn)?shù)的使用優(yōu)化了步驟值的自我獎(jiǎng)勵(lì)。將"采樣"替換為貪婪選擇也導(dǎo)致顯著下降，驗(yàn)證了"重采樣"策略在探索與利用之間取得了平衡。

優(yōu)化方法消融

研究者比較了各種優(yōu)化方法，包括DPO、SimPO、IPO、ROPO和SFT。在這些流行方法中，ACO損失函數(shù)脫穎而出，在7個(gè)推理基準(zhǔn)上顯示出顯著的平均性能改進(jìn)。與魯棒優(yōu)化策略ROPO相比，ACO更適合自訓(xùn)練場(chǎng)景。

潛在應(yīng)用與未來(lái)展望

Genius為L(zhǎng)LM推理能力的后訓(xùn)練提供了一個(gè)獨(dú)特的視角：LLM可以使用通用查詢自我改進(jìn)其一般推理能力，而無(wú)需任何形式的外部監(jiān)督。僅使用25K無(wú)監(jiān)督通用查詢，Genius就令人驚訝地提高了多個(gè)推理基準(zhǔn)的平均性能>7%。研究者還表明，通用查詢的擴(kuò)展規(guī)律隨著訓(xùn)練步驟的增加而持續(xù)改善。

考慮到可用的通用數(shù)據(jù)豐富，這種擴(kuò)展可以顯著增強(qiáng)推理能力，并進(jìn)一步推動(dòng)推理擴(kuò)展規(guī)律的邊界。Genius為實(shí)現(xiàn)基于通用查詢且無(wú)需監(jiān)督的自我改進(jìn)推理邁出了重要的第一步，鑒于通用查詢的廣泛可用性，它徹底改變了推理的擴(kuò)展規(guī)律。

結(jié)論

本文聚焦于解決增強(qiáng)LLM推理的挑戰(zhàn)性和關(guān)鍵任務(wù)，而無(wú)需依賴任何外部監(jiān)督。提出的Genius框架是一個(gè)可泛化且純無(wú)監(jiān)督的自訓(xùn)練框架，解決了幾個(gè)關(guān)鍵技術(shù)挑戰(zhàn)：(1)如何采樣響應(yīng)；(2)如何在沒(méi)有外部輔助的情況下自我獎(jiǎng)勵(lì)響應(yīng)；(3)如何使用自策劃的數(shù)據(jù)進(jìn)行魯棒優(yōu)化。

大量實(shí)驗(yàn)表明，Genius不僅顯著提升了LLM的推理能力，還在通用領(lǐng)域保持了性能穩(wěn)定。擴(kuò)展規(guī)律曲線的分析揭示了進(jìn)一步擴(kuò)展的巨大潛力，為L(zhǎng)LM推理能力的自我提升開(kāi)辟了新的研究方向。

GitHub：???https://github.com/xufangzhi/Genius???

論文：????https://arxiv.org/abs/2504.08672???

本文轉(zhuǎn)載自??頓數(shù)AI???，作者：可可