谷歌：弱模型数据合成更有助于LLM推理

📖标题：Smaller, Weaker, Yet Better: Training LLM Reasoners via Compute-Optimal Sampling
🌐来源：arXiv, 2408.16737

摘要

🔸从强语言模型（LM）中训练高质量的合成数据是提高LM推理性能的常见策略。在这项工作中，我们重新审视了这种策略在固定推理预算（例如FLOP）下是否是计算最优的。为此，我们研究了使用更强但更昂贵的（SE）模型与较弱但更便宜的（WC）模型生成合成数据之间的权衡。
🔸我们评估了三个关键指标的生成数据：覆盖率、多样性和假阳性率，并表明来自WC模型的数据可能具有更高的覆盖率和多样性，但也表现出更高的假阳性率。然后，我们在不同设置下对SE和WC模型的数据进行微调：知识蒸馏、自我提升和一种新颖的弱到强的改进设置，其中较弱的LM向较强的LM教授推理。
🔸我们的研究结果表明，在WC生成的数据上进行微调的模型在多个基准和WC和SE模型的多种选择上始终优于在SE生成的数据中训练的模型。这些结果挑战了目前依赖SE模型生成合成数据的做法，表明WC可能是训练高级LM推理机的计算最优方法。

🛎️文章简介

🔸研究问题：在固定的计算预算下，训练大语言模型（LLM）时如何采样数据来优化训练效果？
🔸主要贡献：论文证明了在多种任务和设置下，从较弱但成本更低的语言模型（WC模型）比从较强但成本更高的语言模型（SE模型）中采样更为计算最优。

📝重点思路

🔺相关工作

🔸模型推理：人工智能的长期目标，一些工作通过提示和微调增强模型推理能力，通过规模数据上训练，在格式、代码和其他推理任务上取得了巨大的成功。
🔸模型微调：部分研究在改进合成数据，侧重于从强大但昂贵的模型中提取知识或自我改进，也可用于构建任务验证器。
🔸大小模型：功能强大的小模型运行速度更快，并且更容易为边缘设备提供服务，通过重复采样可以显著提高求解率。

🔺论文方案

🔸定义指标：比较WC模型和SE模型生成的数据，在覆盖率、多样性和假阳性率（FPR）方面的差异。
🔸模型训练：在不同的训练设置下（知识蒸馏、自我改进和弱到强改进），使用Gemma2-9B（WC）和Gemma2-27B（SE）生成的数据对模型进行微调。
🔸数据评估：在固定采样预算下，比较在MATH和GSM8K数据集上，从WC模型中采样数据进行训练的效果。
🔸消融实验：探讨在不同数据集大小下，WC模型生成数据的优势。

🔎分析总结

🔸在数学评测上，使用WC模型生成的数据进行微调比使用SE模型生成的数据性能更好，挑战了传统观点。
🔸在固定采样预算下，从WC模型中采样数据进行训练比从SE模型中采样更为计算最优。
🔸引入的“弱到强改进”训练范式在多个基准测试中显示出比传统方法更高的性能提升。
🔸在低数据集大小的情况下，WC模型生成的数据仍然能够提供性能优势。

💡个人观点

论文挑战了传统观点，弱模型合成的数据可能更合适。个人理解是类比偏好学习，弱模型合成的有助于模型探测空间，强模型合成的可能探测不到。

附录