Self-Explore to Avoid the Pit: Improving the Reasoning Capabilities of Language Models with Fine-grained Rewards

要約

大規模な言語モデル(LLM)の推論能力を向上させるためには、大量の理論的根拠(CoT Fine-tuning)のトレーニングが効果的である。しかし、人間が作成した理論的根拠を取得したり、独自のモデルから理論的根拠を補強することは、コストがかかり、スケーラブルではない。本論文では、LLMが推論能力を自己改善できるかという問題を研究する。この目的のために、我々はSelf-Exploreを提案する。LLMは、合理的根拠内の最初の間違ったステップ（すなわち、最初の落とし穴）を探索し、更なる改善のためのきめ細かな報酬としてそのような信号を使用するよう課される。GSM8KとMATHテストセットにおいて、Self-Exploreは、教師あり微調整（SFT）と比較して、3つのLLMで平均11.57%と2.89%の改善を達成した。我々のコードはhttps://github.com/hbin0701/Self-Explore。

要約(オリジナル)

Training on large amounts of rationales (i.e., CoT Fine-tuning) is effective at improving the reasoning capabilities of large language models (LLMs). However, acquiring human-authored rationales or augmenting rationales from proprietary models is costly and not scalable. In this paper, we study the problem of whether LLMs could self-improve their reasoning capabilities. To this end, we propose Self-Explore, where the LLM is tasked to explore the first wrong step (i.e., the first pit) within the rationale and use such signals as fine-grained rewards for further improvement. On the GSM8K and MATH test set, Self-Explore achieves 11.57% and 2.89% improvement on average across three LLMs compared to supervised fine-tuning (SFT). Our code is available at https://github.com/hbin0701/Self-Explore.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL