把AlphaGo的核心算法用在大模型上，“高考”成績直接提升了20多分。

在MATH數(shù)據(jù)集上，甚至讓7B模型得分超過了GPT-4。

一項來自阿里的新研究引發(fā)關(guān)注：

研究人員用蒙特卡洛樹搜索（MCTS）給大語言模型來了把性能增強，無需人工標注解題步驟，也能生成高質(zhì)量數(shù)據(jù)，有效提升大模型的數(shù)學成績。

論文發(fā)布，讓不少網(wǎng)友重新關(guān)注到了蒙特卡洛樹搜索這個在前大模型時代的明星算法。

有人直言：

蒙特卡洛樹搜索+LLM是通往超級智能之路。

因為“樹搜索本身更接近人類思維”。

用蒙特卡洛樹搜索增強大模型

具體來說，阿里的研究人員提出了一種名為AlphaMath的方法，用大語言模型+MCTS來自動生成數(shù)學推理數(shù)據(jù)，并提升大模型在完成數(shù)學推理任務時的性能表現(xiàn)。

嗯，名字就很有蒙特卡洛樹搜索內(nèi)味兒了。

這里有個前情提要：

思維鏈（CoT）、思維程序（PoT）等方法已經(jīng)被證明能夠有效提高大模型的數(shù)學能力，但問題在于，它們都需要人類手動喂詳細的解題步驟，即訓練當中需要用到人工標注的高質(zhì)量數(shù)學推理數(shù)據(jù)。

AlphaMath的一個核心目的就在于，在這個步驟中去人工化——數(shù)據(jù)格式就是簡單的數(shù)學問題-答案對。

AlphaMath的技術(shù)路線主要涵蓋三個階段：

首先，研究人員收集了一個數(shù)學數(shù)據(jù)集，其中包含數(shù)學問題及其對應的正確答案。

然后，利用預訓練的大模型（即策略模型）根據(jù)問題生成初始的解題路徑，并通過MCTS對解題路徑進行探索和改進，搜索更優(yōu)的解題思路。

在MCTS過程中，同時訓練一個價值模型來預測解題路徑的質(zhì)量，引導搜索方向。

最后，第二階段獲得的數(shù)據(jù)會被用來優(yōu)化策略模型和價值模型。

這三個階段會通過迭代優(yōu)化地方式執(zhí)行，以實現(xiàn)無需人工標注的自動數(shù)據(jù)生成和模型數(shù)學能力優(yōu)化。

另外，研究人員還基于價值模型提出了Step-level Beam Search方法，以提高大模型的數(shù)學推理效率，平衡推理時的解題質(zhì)量和運行時間。

簡單來說，Step-level Beam Search是將MCTS推理過程做了個簡化：

• 利用價值模型對候選路徑進行評估，以更準確地選擇高質(zhì)量的解題路徑。
• 通過逐步擴展和剪枝，在搜索過程中動態(tài)調(diào)整候選路徑集合，提高搜索效率。
• 搜索過程中考慮了完整的解題路徑，而不僅僅是局部的下一步動作，可以得到更全局優(yōu)化的解題方案。

MATH成績超GPT-4

為了驗證AlphaMath的效果，研究人員設計了這樣的實驗：

對開源的數(shù)學大模型DeepSeekMath-Base-7B，用AlphaMath方法進行訓練，并在GSM8K、MATH和Gaokao2023基準上，與GPT-4為代表的閉源模型、Llama2為代表的開源模型，以及專門做過數(shù)學SFT的MathCoder等模型進行對比。

結(jié)果顯示，不依賴于人類（或GPT-4）標注的高質(zhì)量數(shù)據(jù)，AlphaMath調(diào)教下的7B數(shù)學大模型，已經(jīng)能在MATH上取得63%的分數(shù)，超過了GPT-4原版的42.5%和外掛代碼解釋器版的51.8%。

另外，在執(zhí)行3輪MCTS并訓練策略模型和價值模型的情況下，AlphaMath能讓大模型在涵蓋小學數(shù)學題的GSM8K上提升10多分，在MATH和Gaokao2023上提升20多分。

還可以看到，Step-level Beam Search在MATH數(shù)據(jù)集上取得了良好的效率和準確率平衡。

論文的共同一作是Guoxin Chen、Mingpeng liao、Chengxi Li和Kai Fan。

通訊作者Kai Fan本碩畢業(yè)于北京大學，2017年從杜克大學博士畢業(yè)，2018年加入阿里巴巴達摩院。

論文地址：
???https://arxiv.org/abs/2405.03553??

本文轉(zhuǎn)自 量子位 ，作者：量子位

原文鏈接:??https://mp.weixin.qq.com/s/0LevzAVD8EzVmNI2m-87Tw??