这篇文章探讨了通过增加生成样本的数量来扩展大型语言模型（LLMs）在推理任务中的表现。
研究发现，重复采样可以显著提高模型的覆盖率，特别是在具有自动验证工具的任务中。研究还发现，覆盖率与样本数量之间的关系可以用指数幂律建模，揭示了推理时间的扩展规律。尽管多数投票和奖励模型在样本数量增加时趋于饱和，但在没有自动验证工具的任务中，识别正确样本仍然是一个重要的研究方向。
总体而言，重复采样提供了一种有效的方法来增强较弱模型的能力，并在某些情况下比使用更强大、更昂贵的模型更具成本效益。
论文：Large Language Monkeys: Scaling Inference Compute with Repeated Sampling
链接：https://arxiv.org/pdf/2407.21787
研究背景
研究问题：这篇文章探讨了如何通过增加生成样本的数量来扩展推理计算，从而提高大型语言模型（LLMs）在推理任务中的表现。具体来说，研究了重复采样作为一种扩展推理计算的方法，以提高模型的覆盖率和精度。
研究难点：该问题的研究难点包括：如何在有限的预算内提高覆盖率，如何在不具备自动验证工具的任务中识别正确的样本，以及如何在性能和成本之间找到平衡。
相关工作：相关研究表明，通过扩展训练计算量可以显著提高LLMs的能力。然而，在推理阶段，用户和开发者通常限制模型只进行一次尝试。已有工作表明，重复采样在数学、编程和拼图解决设置中可以提高性能。
研究方法
这篇论文提出了通过重复采样来扩展推理计算，以提高LLMs的性能。具体来说，
重复采样过程：首先，通过从LLM中采样生成许多候选解决方案。然后，使用领域特定的验证器（例如代码的单位测试）从生成的样本中选择最终答案。
覆盖率和精度：重复采样的有效性取决于两个关键属性：覆盖率和精度。覆盖率是指通过生成样本能够解决问题的比例；精度是指在需要从多个样本中选择最终答案的情况下，能否识别出正确样本。
覆盖率的建模：研究发现，覆盖率与样本数量之间的关系通常可以用指数幂律建模，即：
其中，a 和 b 是拟合的模型参数。通过对数变换，最终的模型为：
这表明推理时间的扩展规律可能存在。
实验设计
任务和模型：实验涵盖了五个任务：GSM8K、MATH、MiniF2F-MATH、CodeContests和SWE-bench Lite。使用了多个模型家族，包括Llama 3、Gemma和Pythia。
数据集：GSM8K和MATH是数学单词问题数据集，MiniF2F-MATH是形式化数学问题的数据集，CodeContests是编程竞赛问题数据集，SWE-bench Lite是GitHub实际问题的数据集。
采样策略：在每个任务中，每个问题生成10,000个独立样本。对于SWE-bench Lite，由于所需的上下文长度超过了Llama 3模型的极限，使用了DeepSeek-V2-Coder-Instruct模型，并限制了每个问题的尝试次数为250次。
验证工具：在具有自动验证工具的任务中（如Lean证明检查和单元测试），直接使用这些工具来评估覆盖率。在没有自动验证工具的任务中（如GSM8K和MATH），使用多数投票和奖励模型来选择最终答案。
结果与分析
覆盖率提升：在所有任务中，随着样本数量的增加，覆盖率平滑提升。例如，在使用Gemma-2B模型解决CodeContests问题时，覆盖率从10,000次尝试的0.02%提高到7.1%。
模型大小和家族的广泛适用性：重复采样在不同模型大小、家族和训练水平上均表现出覆盖率提升。较小的模型在应用重复采样时显示出更显著的覆盖率提升。
性能和成本平衡：通过重复采样，较弱的模型可以在成本和性能之间取得更好的平衡。例如，使用DeepSeek-V2-Coder-Instruct模型进行SWE-bench Lite问题的重复采样，比使用GPT-4o或Claude 3.5 Sonnet模型单次尝试更经济高效。
验证方法的局限性：在GSM8K和MATH任务中，多数投票和奖励模型在样本数量超过100后趋于饱和，未能完全随样本预算扩展。
总体结论
这篇论文展示了通过重复采样扩展推理计算可以显著提高LLMs的性能，特别是在具有自动验证工具的任务中。研究结果表明，覆盖率与样本数量之间的关系可以用指数幂律建模，不同模型家族内的覆盖率曲线具有相似的形状。此外，尽管多数投票和奖励模型在样本数量增加时趋于饱和，但在没有自动验证工具的任务中，识别正确样本仍然是一个重要的研究方向。总体而言，重复采样提供了一种有效的方法来增强较弱模型的能力，并在某些情况下比使用更强大、更昂贵的模型更具成本效益。
AI辅助人工完成。
备注：昵称-学校/公司-方向/会议(eg.ACL)，进入技术/投稿群
id：DLNLPer，记得备注呦
3039
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
