作者 | Python、Zenmoore

谷歌旗下的DeepMind，因AlphaGo而名声大振；而推出ChatGPT的OpenAI，近日更是如日中天。

然而，OpenAI公开了一篇论文[1]，结论同DeepMind去年11月的工作[2]完全相反。在对比差异时，论文指出DeepMind格局小了，相比之下，OpenAI用了更强力的基础模型（use a more capable model），调研了更有挑战的数据（dataset is significantly more challenging），并基于更大的监督数据规模（much larger quantity of process supervision data）。

那究竟是什么样的结论，使两家公司得到如此分歧呢？让我们来仔细看看这篇文章吧。

论文题目:
Let’s Verify Step by Step.

论文链接:
https://arxiv.org/pdf/2305.20050.pdf

大模型研究测试传送门

GPT-4传送门（免墙，可直接测试，遇浏览器警告点高级/继续访问即可）：
https://gpt4test.com

背景

对于ChatGPT等大语言模型，有一个魔法词叫做“let's think step by step”。如下图左所示，在解题等需要复杂推理的场景下，通过这个魔法词，让模型输出答案之前，输出推理过程，有助于提高答案的准确性与可解释性。该方法被称为思维链（CoT，Chain of Thought）。

所以，一个自然的问题是：在训练大模型时，有没有可以利用思维链的地方呢？

我们知道，训练ChatGPT这种大模型包括两步：语言模型训练与指令精调。在指令精调中，会根须人类反馈数据（考虑认知、价值观等）训练一个奖励模型（Reward Model），并通过强化学习方式，来反馈调整语言模型。

利用思维链的方式也聚焦在这一强化学习过程。具体而言，可以分为两种：只针对结果的ORMs（outcome-supervised reward models），与基于每一步推理过程的PRMs（process-supervised reward models）。前者只根据模型解题的最终结果给予强化学习监督，而后者关注每一个推理步骤。

分歧点与差异分析

OpenAI和DeepMind的分歧点在于，在解决需要复杂推理的数学题的背景下，对于奖励模型（Reward Model），OpenAI认为针对过程的PRMs更好，而DeepMind认为两者相差不大。

OpenAI指出，之所以产生这一分歧，是DeepMind的实验格局不够：

• OpenAI基于GPT-4展开实验，而DeepMind只用了700亿参数的基础模型。
• OpenAI针对MATH数据集，该数据集取自美国中学数学竞赛试题（AIME），而DeepMind之研究了GSM8K数据集，都是些小学数学题。
• OpenAI基于了更大的数据规模：800K过程标注标签。而DeepMind只对530道训练集数据取了1560个模型生成样本，得到9.8K的过程标注标签。

这次OpenAI非常慷慨地开源了他们的数据：

https://github.com/openai/prm800k

下图为针对过程的PRMs数据样本，绿色的行代表正确的步骤，红色的代表错误的。

实验结果与实验结论

即使公开了论文和数据集，这篇文章和OpenAI之前的几篇文章一样，对技术细节隐藏很深，只公开了很少的实验结论。

主要结论：针对过程的PRMs更好。

对上图解释一下，这里用到Best-of-N作为评价指标，即让语言模型生成N个解之后，让奖励模型选取其中分数最高的一个作为答案，用以评价奖励模型。Majority Voting是一个多数投票的方法。

可以通过主动学习，加速学习过程。下图横轴代表每道题的标注数据规模，等价于训练数据规模。主动学习的方式为，使用较小的PRM模型，对每道题保留部分分值最高的负样本。该方法可以提高2.6倍的收敛速度。

针对过程的PRMs可以较好地泛化到领域外的数据上。可以看到，在各学科的AP数据上，PRMs都取得了较好的表现。

除此之外，文章最后还探讨了包括测试集污染在内的一些问题，在此就不过多展开了。

额外的结论

因为OpenAI写得论文都比较隐晦，有时需要一些专业的背景才能够从字里行间看出一些端倪。爱丁堡大学的博士生fuyao在Twitter上也给出了这篇文章的一些参考结论：

• 奖励建模非常重要。单纯有监督微调只能提供模型的格式，而无法提升能力(capability)。
• 使用逐步奖励而不仅仅依赖于最终奖励对模型进行训练，这个原则也适用于编程任务。
• 如果数据集像GSM8k那样简单，或者奖励数据不足够大，可能会得出错误结论，认为两种类型的奖励是相似的。这是之前DeepMind的结论。
• 在进行奖励建模之前，应该对Latex和SFT（结构化文本）进行持续训练。持续训练可以提升能力，而SFT可以提供格式。这个做法来自Google Brain的Minerva论文。
• 推理任务的奖励模型与对话任务的奖励模型不同。不应该假设底层只有一个单一的奖励模型。原始的Claude论文也讨论了这种做法。
• 应扩大奖励模型规模。不应该假设大模型可有效从小型奖励模型中学习。这在OpenAI最初的InstructGPT论文中也有讨论。
• 在单一数据集（MATH）上训练的奖励模型可推广到领域外数据集。可能归因于模型规模。

总结

这篇文章告诉我们，要辩证地看待世界，真理也是有一定适用范围的。得到错误的结论，可能不是方法思路有问题，而是没有打开格局。

这篇文章对科研的价值，一个是可以像fuyao那样，除了主要结论之外，通过一些隐约的表示，探究OpenAI隐藏的细节。另一方面，也可以从开源的数据集入手，仔细分析GPT4在数学推理的表现与人类标注的特点，探究GPT4的能力的同时，思考是否有必要，以及能不能将之推广到其它需要推理的大模型应用场景中。

参考资料