無需數(shù)據(jù)標注！測試時強化學習，模型數(shù)學能力暴增 | 清華&上海AI Lab
無需數(shù)據(jù)標注，在測試時做強化學習，模型數(shù)學能力暴增159%！
清華和上海AI Lab周伯文團隊用這樣的方法，對模型進行了強化——
結(jié)果模型在多個數(shù)據(jù)集上的成績均大幅提升，尤其是Qwen-2.5-Math-7B，它做AIME 2024競賽題的成績直接提高了159%。
實驗過程中，強化學習的數(shù)據(jù)均由被訓練的模型自身生成。
作者還發(fā)現(xiàn)，訓練后的模型性能，準確性已經(jīng)超過了用于訓練它的偽標簽（測試時強化學習過程中產(chǎn)生）。
DeepMind工程師評價，這種測試時強化學習的方式將改變LLM的格局：
它利用預訓練模型和特定任務的提示進行實時自適應，而無需大量帶標簽的數(shù)據(jù)集，這是向前邁出的重要一步。
模型自己生成強化學習數(shù)據(jù)
作者提出的測試時強化學習（TTRL）過程是測試時擴展和測試時訓練的結(jié)合，具體可以分為“生成、投票、強化”三個大步驟。
第一步生成的目的，是讓模型針對每個輸入的prompt，生成盡可能多樣化的候選答案，該過程通過測試時推理來實現(xiàn)。
其思路是在推理階段增加計算資源以獲得更好的性能，具體到TTRL采用的是增加采樣數(shù)量的方式，即對每個prompt，讓模型采樣生成N個不同的答案，而不是只生成一個確定性最高的輸出。
作者的實驗中，當在AIME 2024數(shù)據(jù)集上應用TTRL訓練Qwen2.5-Math-7B模型時，每個prompt采樣64次(N=64)，溫度系數(shù)設為1.0，以鼓勵模型生成多樣化的答案。
投票過程從上一步生成的N個候選答案出發(fā)，通過多數(shù)投票的方式來估計正確答案，并將其作為偽標簽。
TTRL在實際應用投票機制時還引入了一個參數(shù) Maj@N，表示多數(shù)投票的估計準確率。
它衡量的是偽標簽與真實標簽的一致性。通過控制Maj@N，可以權(quán)衡偽標簽的質(zhì)量和數(shù)量。
最后一步利用強化學習，基于上一步估計出的偽標簽，來優(yōu)化語言模型的策略，使其傾向于給出正確答案。
TTRL采用GRPO算法，還加入了重要性采樣和蒙特卡洛估計等技術(shù)，以提高訓練效率和穩(wěn)定性。
模型數(shù)學能力大幅提升
為了評估TTRL的效果，作者在AIME 2024、AMC和MATH-500三個數(shù)據(jù)集上對調(diào)整前后的三款模型進行了測試。
- 在AIME 2024數(shù)據(jù)集上，對于Qwen2.5-Math-7B基礎模型，TTRL將其準確率從16.7%提高到43.3%，提升幅度高達159.3%，超越了所有在大規(guī)模標注數(shù)據(jù)上訓練的模型。
- 在AMC數(shù)據(jù)集上，Qwen2.5-Math-7B、Qwen2.5-Math-1.5B和LLaMA模型的準確率分別獲得了74.9%、63.1%和68.4%的大幅提高。
- MATH-500數(shù)據(jù)集上的表現(xiàn)更為突出，Qwen2.5-Math-7B和Qwen2.5-Math-1.5B分別實現(xiàn)了66.4%和142.4%的驚人提升，LLaMA模型的準確率也提高了29.3%。
平均而言，TTRL使Qwen2.5-Math-7B模型在三個數(shù)據(jù)集上的性能提高了84.1%。
進一步的泛化性實驗表明，在一個數(shù)據(jù)集上應用TTRL后，性能的提高可以自然遷移到其他數(shù)據(jù)集，甚至是從未參與訓練的任務。
為了分析TTRL方法有效的原因，作者比較了TTRL訓練前后模型的多數(shù)投票性能。
結(jié)果，應用TTRL后，模型的多數(shù)投票準確率（Maj@64）顯著高于原始的Qwen模型，說明通過多數(shù)投票得到的偽標簽質(zhì)量優(yōu)于單個模型輸出。
并且強化學習具備糾錯能力。即使偽標簽并非完全準確，強化學習也可以通過獎懲機制引導模型朝著正確方向優(yōu)化。
從AIME 2024上標簽準確率和獎勵準確率的變化曲線中可以看到，即使在標簽準確率較低的階段，獎勵準確率也能維持在90%以上。
作者簡介
這項研究的領導者是清華大學C3I課題組博士生張開顏和上海AI實驗室青年研究員崔淦渠。
張開顏的導師是上海人工智能實驗室主任、首席科學家周伯文教授；崔淦渠則畢業(yè)于清華NLP實驗室，讀博期間導師是劉知遠副教授。
本文共同一作是張開顏和同樣來自清華的Yuxin Zuo，周伯文和C3I課題組博士后丁寧是本文的通訊作者。
