Hacia la Auto-Mejora de LLMs a través de MCTS: Aprovechando el Conocimiento Paso a Paso con Aprendizaje de Preferencias de Currículum

Towards Self-Improvement of LLMs via MCTS: Leveraging Stepwise Knowledge with Curriculum Preference Learning

October 9, 2024

Autores: Xiyao Wang, Linfeng Song, Ye Tian, Dian Yu, Baolin Peng, Haitao Mi, Furong Huang, Dong Yu

cs.AI

Resumen

La Búsqueda del Árbol de Monte Carlo (Monte Carlo Tree Search, MCTS) ha surgido recientemente como una técnica poderosa para mejorar las capacidades de razonamiento de los LLMs. Técnicas como SFT o DPO han permitido a los LLMs destilar comportamientos de alta calidad de MCTS, mejorando su rendimiento de razonamiento. Sin embargo, los métodos de destilación existentes subutilizan la rica información de trayectorias generada por MCTS, limitando el potencial de mejora en el razonamiento de los LLMs. En este artículo, proponemos AlphaLLM-CPL, un novedoso marco de entrenamiento por pares que permite a los LLMs auto-mejorarse a través de la destilación de comportamientos de MCTS. AlphaLLM-CPL aprovecha eficientemente las trayectorias de MCTS a través de dos innovaciones clave: (1) AlphaLLM-CPL construye pares de trayectorias paso a paso a partir de nodos hijos que comparten el mismo padre en el árbol de búsqueda, proporcionando información a nivel de paso para una destilación de comportamiento de MCTS más efectiva. (2) AlphaLLM-CPL introduce el aprendizaje de preferencias de currículo, ajustando dinámicamente la secuencia de entrenamiento de pares de trayectorias en cada época de entrenamiento offline para priorizar pasos de aprendizaje críticos y mitigar el sobreajuste. Los resultados experimentales en tareas de razonamiento matemático demuestran que AlphaLLM-CPL supera significativamente a los métodos previos de destilación de comportamiento de MCTS, mejorando sustancialmente las capacidades de razonamiento de los LLMs.

English

Monte Carlo Tree Search (MCTS) has recently emerged as a powerful technique for enhancing the reasoning capabilities of LLMs. Techniques such as SFT or DPO have enabled LLMs to distill high-quality behaviors from MCTS, improving their reasoning performance. However, existing distillation methods underutilize the rich trajectory information generated by MCTS, limiting the potential for improvements in LLM reasoning. In this paper, we propose AlphaLLM-CPL, a novel pairwise training framework that enables LLMs to self-improve through MCTS behavior distillation. AlphaLLM-CPL efficiently leverages MCTS trajectories via two key innovations: (1) AlphaLLM-CPL constructs stepwise trajectory pairs from child nodes sharing the same parent in the search tree, providing step-level information for more effective MCTS behavior distillation. (2) AlphaLLM-CPL introduces curriculum preference learning, dynamically adjusting the training sequence of trajectory pairs in each offline training epoch to prioritize critical learning steps and mitigate overfitting. Experimental results on mathematical reasoning tasks demonstrate that AlphaLLM-CPL significantly outperforms previous MCTS behavior distillation methods, substantially boosting the reasoning capabilities of LLMs.