SuperCorrect: Supervising and Correcting Language Models with Error-Driven Insights

要約

GPT-4、Palm、Llamaなどの大規模な言語モデル（LLM）は、さまざまな推論タスクの大幅な改善を示しています。
ただし、Llama-3-8BやDeepseekmath-Baseなどの小さなモデルは、推論エラーを効果的に特定して修正できないため、複雑な数学的推論に苦労しています。
最近の反射ベースの方法は、自己反省と自己修正を可能にすることにより、これらの問題に対処することを目的としていますが、推論ステップでエラーを独立して検出することで課題に直面しています。
これらの制限を克服するために、大規模な教師モデルを使用して、小規模な学生モデルの推論と反射プロセスの両方を監督および修正する新しい2段階のフレームワークであるSupercorrectを提案します。
最初の段階では、教師モデルから階層的な高レベルで詳細な思考テンプレートを抽出し、より微調整された推論思考を引き出すことで学生モデルを導きます。
第2段階では、トレーニング中の教師の修正トレースに従って、学生モデルの自己修正能力を高めるために、クロスモデルコラボレーション直接優先嗜好最適化（DPO）を導入します。
このクロスモデルのDPOアプローチは、生徒モデルに、教師モデルからのエラー駆動型の洞察を使用して誤った考えを効果的に見つけて解決することを教え、その考えのボトルネックを破り、挑戦的な問題に取り組むために新しいスキルと知識を獲得します。
広範な実験は、以前の方法よりも一貫して私たちの優位性を示しています。
特に、当社のSuperCorrect-7Bモデルは、MATH/GSM8Kベンチマークで強力なDeepSeekMath-7B、QWEN2.5-MATH-7Bを15.1％/6.3％上回り、すべての7Bモデルの間で新しいSOTAパフォーマンスを達成します。
コード：https：//github.com/yangling0818/supercorrect-llm

要約(オリジナル)

Large language models (LLMs) like GPT-4, PaLM, and LLaMA have shown significant improvements in various reasoning tasks. However, smaller models such as Llama-3-8B and DeepSeekMath-Base still struggle with complex mathematical reasoning because they fail to effectively identify and correct reasoning errors. Recent reflection-based methods aim to address these issues by enabling self-reflection and self-correction, but they still face challenges in independently detecting errors in their reasoning steps. To overcome these limitations, we propose SuperCorrect, a novel two-stage framework that uses a large teacher model to supervise and correct both the reasoning and reflection processes of a smaller student model. In the first stage, we extract hierarchical high-level and detailed thought templates from the teacher model to guide the student model in eliciting more fine-grained reasoning thoughts. In the second stage, we introduce cross-model collaborative direct preference optimization (DPO) to enhance the self-correction abilities of the student model by following the teacher’s correction traces during training. This cross-model DPO approach teaches the student model to effectively locate and resolve erroneous thoughts with error-driven insights from the teacher model, breaking the bottleneck of its thoughts and acquiring new skills and knowledge to tackle challenging problems. Extensive experiments consistently demonstrate our superiority over previous methods. Notably, our SuperCorrect-7B model significantly surpasses powerful DeepSeekMath-7B by 7.8%/5.3% and Qwen2.5-Math-7B by 15.1%/6.3% on MATH/GSM8K benchmarks, achieving new SOTA performance among all 7B models. Code: https://github.com/YangLing0818/SuperCorrect-llm

arxiv情報

提供元, 利用サービス

arxiv.jp, Google