我要投稿

自生成数据: 提升 LLM 推理能力的新途径

发布日期：2024-09-26 18:02:18 浏览次数： 1976 作者：NLP轻松谈

Google DeepMind高级研究科学家Rishabh Agarwal的一篇非常有深度的演讲稿，主要探讨了如何通过自生成数据来改进LLM的推理能力。

当前 LLM 训练面临的一个关键挑战: 高质量训练数据的稀缺，传统方法依赖从网络抓取或人工收集高质量数据，这种方式既耗时又昂贵，难以扩展，特别是对于复杂任务而言。

为解决这一问题，演讲者提出了一个创新性的想法: 让模型自己生成训练数据。但这里存在一个潜在的问题: 如果简单地让模型生成数据并用于训练，可能会导致 "模型崩溃"。

ReST_EM算法

介绍了一种称为 ReST_EM (Reinforcement Self-Training via Expectation-Maximization) 的算法来解决这个问题:

E-step：从模型生成样本，并使用二元反馈进行筛选。
M-step：对筛选后的样本进行微调。

这个过程本质上对应于基于期望最大化的强化学习。

实验结果

ReST_EM 在数学和编程等问题解决任务上取得了显著效果，甚至超过了人类数据训练的模型。这表明自生成数据可能比人类数据更加 "in-distribution" (即更符合模型的分布)。

验证器 (Verifier) 的引入

进一步探讨了如何利用错误解答来训练验证器。验证器可以帮助模型在测试时更好地利用计算资源，提高性能。

Next-Token 预测：将验证器训练为下一个 token 的预测器，这有助于统一生成和验证任务。
链式推理（Chain-of-Thought）：允许验证器使用链式推理来评估解决方案。

计算匹配采样

通过计算匹配采样，可以在给定计算资源的情况下，让小模型生成更多样本，从而提高大模型的性能。

考虑计算成本：根据模型参数和推理 token 数量来优化采样成本。
知识蒸馏：使用较小的模型来生成更高质量的合成数据。

上下文学习 (In-Context Learning)

最后探讨了是否可以通过上下文学习来替代微调过程，提出了强化上下文学习 (Reinforced ICL) 的概念。

多样本 In-Context 学习：在模型的上下文中使用多个样本来增强学习效果。
迭代学习：通过迭代过程来提高模型在复杂任务上的性能。

Rishabh Agarwal通过这些方法，展示了如何通过自生成数据和验证器来提高 LLMs 在问题解决任务上的性能，尤其是在数学和编程领域。此外，还讨论了如何通过优化计算成本和利用较小模型来进一步提高数据生成的效率和质量。

53AI，企业落地大模型首选服务商

产品：场景落地咨询+大模型应用平台+行业解决方案

承诺：免费场景POC验证，效果验证后签署服务协议。零风险落地应用大模型，已交付160+中大型企业

相关资讯

2025-04-05

20 万行代码：我们如何构建和维护大规模 AI 原型系统

2025-04-05

LM Speed - 简单的大模型测速分析工具核心价值

2025-04-04

选择合适的 llms 以实现最佳性能：2025 年最大化 AI 聊天机器人效能的指南

2025-04-04

60G内存+14G显存运行满血DeepSeek R1！Ktransformers+Unsloth联合部署方案实践！

2025-04-03

Ray 在 Bilibili 的场景探索与落地实践

2025-04-03

Spring AI+DeepSeek R1搭建企业私有化模型工具（直接使用）

2025-04-02

一文看懂预训练、微调和上下文学习

2025-04-02

将复杂HTML变成AI易读Markdown | MCP精选集

了解更多

160+中大型企业正在使用53AI

立即咨询预约演示

把握AI发展的机遇，共同探索、共同进步

2025-01-22

如何打造基于GenAI的员工服务机器人

2025-01-22

热点资讯

一文读懂DeepSeek-R1本地部署配置要求（建议收藏）

2025-02-04

DeepSeek R1 671B 完整版本地部署教程来了！！！

2025-02-04

太爽了！o1 现在可以天天享用了

2024-09-18

万字综述 10+ 种 LLM 投机采样推理加速方案

2024-07-11

微调神器LLaMA-Factory官方保姆级教程来了，从环境搭建到模型训练评估全覆盖

2024-07-09

FP8 低精度训练：Transformer Engine 简析

2024-07-11

彻底理解系列之：FP32、FP16、TF32、BF16、混合精度

2024-07-26

别被Deepseek低成本冲昏头！本地化部署后续的“甜蜜陷阱”，你真能扛住吗？

2025-02-05

ollama 部署 deepseek-r1 70B 模型完整指南

2025-01-27

o3-mini 完全指南：一个被 DeepSeek 破大防的模型

2025-02-01

大家都在问

RAGFlow vs Dify, 商业化落地场景选哪个？

2025-04-01

如何利用Dify轻松构建你的专属语料库？

2025-03-31

从 0 到 1，Agentic Ops 如何打造企业级 AI 生产力？

2025-03-20

DeepSeek-R1的Qwen-32B蒸馏模型与QwQ-32B模型，谁更强？

2025-03-16

部署DeepSeek的4条路，企业级客户到底该咋走？

2025-03-16

谷歌Gemma 3 27b 到底能不能打，写个游戏测试下？

2025-03-13

强化学习(RL)是什么? 它和微调有什么区别?

2025-03-13

从DeepSeek到Manus：如何实现本地LLM微调+联网开发？

2025-03-11

热门标签

内容创作大模型技术个人提效 langchain llamaindex 多模态技术 RAG技术智能客服知识图谱模型微调 RAGFlow coze Dify Fastgpt Bisheng Qanything AI+汽车 AI+金融 AI+工业 AI+培训 AI+SaaS 提示词框架提示词技巧 AI+电商 AI面试数字员工 ChatBI 知识管理开源大模型智能营销智能硬件智能化改造 AI+医疗 MaxKB