UFT: Unificación del Ajuste Fino Supervisado y por Refuerzo
UFT: Unifying Supervised and Reinforcement Fine-Tuning
May 22, 2025
Autores: Mingyang Liu, Gabriele Farina, Asuman Ozdaglar
cs.AI
Resumen
El post-entrenamiento ha demostrado su importancia para mejorar las capacidades de razonamiento de los modelos de lenguaje grandes (LLMs, por sus siglas en inglés). Los principales métodos de post-entrenamiento pueden categorizarse en ajuste fino supervisado (SFT, por sus siglas en inglés) y ajuste fino por refuerzo (RFT, por sus siglas en inglés). El SFT es eficiente y se adapta bien a modelos de lenguaje pequeños, pero puede provocar sobreajuste y limitar las habilidades de razonamiento de modelos más grandes. En contraste, el RFT generalmente ofrece una mejor generalización, pero depende en gran medida de la fortaleza del modelo base. Para abordar las limitaciones del SFT y el RFT, proponemos el Ajuste Fino Unificado (UFT, por sus siglas en inglés), un nuevo paradigma de post-entrenamiento que unifica el SFT y el RFT en un único proceso integrado. El UFT permite que el modelo explore soluciones de manera efectiva mientras incorpora señales de supervisión informativas, cerrando la brecha entre memorizar y pensar subyacente en los métodos existentes. Cabe destacar que el UFT supera tanto al SFT como al RFT en general, independientemente del tamaño del modelo. Además, demostramos teóricamente que el UFT rompe el cuello de botella inherente de complejidad exponencial de muestras del RFT, mostrando por primera vez que el entrenamiento unificado puede acelerar exponencialmente la convergencia en tareas de razonamiento de largo horizonte.
English
Post-training has demonstrated its importance in enhancing the reasoning
capabilities of large language models (LLMs). The primary post-training methods
can be categorized into supervised fine-tuning (SFT) and reinforcement
fine-tuning (RFT). SFT is efficient and well-suited for small language models,
but it may lead to overfitting and limit the reasoning abilities of larger
models. In contrast, RFT generally yields better generalization but depends
heavily on the strength of the base model. To address the limitations of SFT
and RFT, we propose Unified Fine-Tuning (UFT), a novel post-training paradigm
that unifies SFT and RFT into a single, integrated process. UFT enables the
model to effectively explore solutions while incorporating informative
supervision signals, bridging the gap between memorizing and thinking
underlying existing methods. Notably, UFT outperforms both SFT and RFT in
general, regardless of model sizes. Furthermore, we theoretically prove that
UFT breaks RFT's inherent exponential sample complexity bottleneck, showing for
the first time that unified training can exponentially accelerate convergence
on long-horizon reasoning tasks.Summary
AI-Generated Summary