谷歌聯(lián)合研究：合成數(shù)據(jù)助力大模型數(shù)學(xué)推理能力大幅提升，提升八倍不再是夢

標(biāo)題：谷歌聯(lián)合研究：合成數(shù)據(jù)助力大模型數(shù)學(xué)推理能力大幅提升，提升八倍不再是夢

人工智能領(lǐng)域的一項重大突破，就是大型模型在各種任務(wù)中的優(yōu)異表現(xiàn)，其中尤以ChatGPT為代表的模型最為引人矚目。然而，隨著這些模型規(guī)模的擴大，其對訓(xùn)練數(shù)據(jù)的需求也在急劇增長。近日，谷歌、卡內(nèi)基梅隆大學(xué)和MultiOn組成的聯(lián)合研究團隊發(fā)布了一項關(guān)于合成數(shù)據(jù)在大型模型訓(xùn)練中應(yīng)用的重要研究成果，這一發(fā)現(xiàn)為人工智能領(lǐng)域帶來了新的啟示和可能。

首先，我們必須理解什么是合成數(shù)據(jù)。合成數(shù)據(jù)，簡單來說，就是通過人工方式創(chuàng)建的數(shù)據(jù)，其質(zhì)量和真實性都得到了保證。隨著全球范圍內(nèi)約有300萬億個高質(zhì)量文本訓(xùn)練標(biāo)記的公開可用，合成數(shù)據(jù)已經(jīng)成為了現(xiàn)有數(shù)據(jù)的理想替代方案。尤其是在當(dāng)前，隨著像ChatGPT這類大模型的快速發(fā)展，預(yù)計在2026年之前，現(xiàn)有數(shù)據(jù)將被耗盡。

在這個背景下，研究人員著重探索了兩種合成數(shù)據(jù)類型，即正向數(shù)據(jù)和負(fù)向數(shù)據(jù)。正向數(shù)據(jù)是由高性能大模型生成的問題解決方案，為模型提供解決數(shù)學(xué)問題的范例。然而，單純依靠正向數(shù)據(jù)進行訓(xùn)練存在明顯局限。研究人員指出，這種方式可能無法讓模型真正理解問題解決背后的邏輯，只是通過模式匹配來學(xué)習(xí)；而且隨著訓(xùn)練數(shù)據(jù)量的增加，模型可能會學(xué)到虛假的相關(guān)性，導(dǎo)致在處理新問題時泛化能力降低。

針對這一問題，研究人員引入了負(fù)向數(shù)據(jù)，也就是經(jīng)過驗證為錯誤的問題解決步驟。這能幫助模型識別并避免錯誤，從而增強其邏輯推理能力。盡管使用負(fù)向數(shù)據(jù)存在挑戰(zhàn)，因為錯誤步驟可能包含誤導(dǎo)性信息，但研究人員借助直接偏好優(yōu)化（DPO）方法，成功讓模型從錯誤中學(xué)習(xí)。這種方法為每個問題解決步驟分配了一個優(yōu)勢值，以反映其相對于理想解決方案的價值。高優(yōu)勢步驟是正確解決問題的關(guān)鍵，而低優(yōu)勢步驟可能意味著模型推理存在問題?；谶@些優(yōu)勢值，模型能夠在強化學(xué)習(xí)框架內(nèi)動態(tài)調(diào)整策略，更高效地從合成數(shù)據(jù)中學(xué)習(xí)和改進。

為了驗證合成數(shù)據(jù)的有效性，研究團隊選用DeepSeek - Math - 7B和LLaMa2 - 7B等模型，在GSM8K和MATH數(shù)據(jù)集上開展了全面測試。測試結(jié)果顯示，經(jīng)過正向和負(fù)向合成數(shù)據(jù)預(yù)訓(xùn)練的大模型在數(shù)學(xué)推理任務(wù)上的性能提升了八倍。這一結(jié)果無疑證明了合成數(shù)據(jù)在增強大模型邏輯推理能力方面的巨大潛力。

這項研究不僅揭示了合成數(shù)據(jù)在大型模型訓(xùn)練中的重要性，也為我們提供了新的視角來看待人工智能的發(fā)展。合成數(shù)據(jù)的引入不僅解決了現(xiàn)有數(shù)據(jù)不足的問題，也為模型的訓(xùn)練提供了更多的可能性。更重要的是，它為大型模型的進一步發(fā)展開辟了新的方向。我們期待看到更多的研究團隊利用合成數(shù)據(jù)來推動人工智能的發(fā)展，實現(xiàn)人工智能技術(shù)的更多突破和應(yīng)用。

總的來說，谷歌聯(lián)合研究：合成數(shù)據(jù)助力大模型數(shù)學(xué)推理能力大幅提升的成果令人振奮。這項研究充分彰顯了合成數(shù)據(jù)在增強大模型邏輯推理能力方面的巨大潛力，同時也為大模型的發(fā)展開辟了新的方向。我們相信，隨著研究的深入和技術(shù)的進步，人工智能將在更多的領(lǐng)域發(fā)揮出更大的價值。

生成海報

免責(zé)聲明：本網(wǎng)站內(nèi)容主要來自原創(chuàng)、合作伙伴供稿和第三方自媒體作者投稿，凡在本網(wǎng)站出現(xiàn)的信息，均僅供參考。本網(wǎng)站將盡力確保所提供信息的準(zhǔn)確性及可靠性，但不保證有關(guān)資料的準(zhǔn)確性及可靠性，讀者在使用前請進一步核實，并對任何自主決定的行為負(fù)責(zé)。本網(wǎng)站對有關(guān)資料所引致的錯誤、不確或遺漏，概不負(fù)任何法律責(zé)任。任何單位或個人認(rèn)為本網(wǎng)站中的網(wǎng)頁或鏈接內(nèi)容可能涉嫌侵犯其知識產(chǎn)權(quán)或存在不實內(nèi)容時，應(yīng)及時向本網(wǎng)站提出書面權(quán)利通知或不實情況說明，并提供身份證明、權(quán)屬證明及詳細(xì)侵權(quán)或不實情況證明。本網(wǎng)站在收到上述法律文件后，將會依法盡快聯(lián)系相關(guān)文章源頭核實，溝通刪除相關(guān)內(nèi)容或斷開相關(guān)鏈接。