Interpretable Contrastive Monte Carlo Tree Search Reasoning

要約

私たちは SC-MCTS* を提案します。これは、大規模言語モデル (LLM) 用の新しいモンテカルロ ツリー検索 (MCTS) 推論アルゴリズムであり、推論の精度と速度の両方を大幅に向上させます。
私たちの動機は次のとおりです。 1. 以前の MCTS LLM 推論作業では、最大の欠点である CoT に比べて速度が遅いという見落とされがちでした。
2. 以前の研究では主に、推論の解釈可能性の観点からそのコンポーネントの限定的な定量分析またはアブレーション研究を伴う、さまざまなタスクに関する LLM 推論のためのツールとして MCTS が使用されていました。
3. 報酬モデルは MCTS の最も重要なコンポーネントですが、これまでの研究では MCTS の報酬モデルの詳細な研究や改善がほとんど行われていませんでした。
したがって、MCTS のコンポーネントについて広範なアブレーション研究と定量分析を実施し、LLM の MCTS 推論パフォーマンスに対する各コンポーネントの影響を明らかにしました。
これに基づいて、(i) 対照的デコーディングの原理に基づいて解釈性の高い報酬モデルを設計し、(ii) 投機的デコーディングを使用してノードあたり平均 51.9% の速度向上を達成しました。
さらに、(iii) 以前の研究で使用されていた UCT ノード選択戦略とバックプロパゲーションを改善し、パフォーマンスが大幅に向上しました。
Llama-3.1-70B と SC-MCTS* を使用した Blocksworld マルチステップ推論データセットでは、o1-mini のパフォーマンスを平均 17.4% 上回りました。
コードは \url{https://github.com/zitian-gao/SC-MCTS} で入手できます。

要約(オリジナル)

We propose SC-MCTS*: a novel Monte Carlo Tree Search (MCTS) reasoning algorithm for Large Language Models (LLMs), significantly improves both reasoning accuracy and speed. Our motivation comes from: 1. Previous MCTS LLM reasoning works often overlooked its biggest drawback–slower speed compared to CoT; 2. Previous research mainly used MCTS as a tool for LLM reasoning on various tasks with limited quantitative analysis or ablation studies of its components from reasoning interpretability perspective. 3. The reward model is the most crucial component in MCTS, however previous work has rarely conducted in-depth study or improvement of MCTS’s reward models. Thus, we conducted extensive ablation studies and quantitative analysis on components of MCTS, revealing the impact of each component on the MCTS reasoning performance of LLMs. Building on this, (i) we designed a highly interpretable reward model based on the principle of contrastive decoding and (ii) achieved an average speed improvement of 51.9% per node using speculative decoding. Additionally, (iii) we improved UCT node selection strategy and backpropagation used in previous works, resulting in significant performance improvement. We outperformed o1-mini by an average of 17.4% on the Blocksworld multi-step reasoning dataset using Llama-3.1-70B with SC-MCTS*. Our code is available at \url{https://github.com/zitian-gao/SC-MCTS}.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google