Democratizzazione delle capacità di ragionamento: apprendimento personalizzato dai modelli linguistici su larga scala

Democratizing Reasoning Ability: Tailored Learning from Large Language Model

October 20, 2023

Autori: Zhaoyang Wang, Shaohan Huang, Yuxuan Liu, Jiahai Wang, Minghui Song, Zihan Zhang, Haizhen Huang, Furu Wei, Weiwei Deng, Feng Sun, Qi Zhang

cs.AI

Abstract

I grandi modelli linguistici (LLM) dimostrano impressionanti abilità emergenti nell'elaborazione del linguaggio naturale, ma la loro democratizzazione è ostacolata dagli enormi requisiti computazionali e dalla natura closed-source. Ricerche recenti sul miglioramento di modelli linguistici più piccoli e open-source, distillando conoscenza da LLM black-box, hanno ottenuto risultati promettenti nella capacità di seguire istruzioni. Tuttavia, la capacità di ragionamento, che è più difficile da sviluppare, è stata relativamente poco esplorata. In questo articolo, proponiamo un approccio di apprendimento personalizzato per distillare tale capacità di ragionamento in modelli linguistici più piccoli, al fine di facilitare la democratizzazione di questa abilità esclusiva. A differenza del semplice utilizzo dell'LLM come annotatore di dati, sfruttiamo il potenziale dell'LLM come insegnante di ragionamento, costruendo un paradigma di apprendimento interattivo a più round. Questo paradigma consente allo studente di esporre le proprie carenze al docente black-box, che può quindi fornire dati di addestramento personalizzati in cambio. Inoltre, per sfruttare il potenziale di ragionamento del modello linguistico più piccolo, proponiamo un apprendimento basato sull'autoriflessione per motivare lo studente a imparare dai propri errori. L'apprendimento dall'autoriflessione e dall'LLM è tutto personalizzato in base allo stato di apprendimento dello studente, grazie alla perfetta integrazione con il paradigma di apprendimento a più round. Esperimenti e analisi completi su compiti di ragionamento matematico e di senso comune dimostrano l'efficacia del nostro metodo. Il codice sarà disponibile all'indirizzo https://github.com/Raibows/Learn-to-Reason.

English

Large language models (LLMs) exhibit impressive emergent abilities in natural language processing, but their democratization is hindered due to huge computation requirements and closed-source nature. Recent research on advancing open-source smaller LMs by distilling knowledge from black-box LLMs has obtained promising results in the instruction-following ability. However, the reasoning ability which is more challenging to foster, is relatively rarely explored. In this paper, we propose a tailored learning approach to distill such reasoning ability to smaller LMs to facilitate the democratization of the exclusive reasoning ability. In contrast to merely employing LLM as a data annotator, we exploit the potential of LLM as a reasoning teacher by building an interactive multi-round learning paradigm. This paradigm enables the student to expose its deficiencies to the black-box teacher who then can provide customized training data in return. Further, to exploit the reasoning potential of the smaller LM, we propose self-reflection learning to motivate the student to learn from self-made mistakes. The learning from self-reflection and LLM are all tailored to the student's learning status, thanks to the seamless integration with the multi-round learning paradigm. Comprehensive experiments and analysis on mathematical and commonsense reasoning tasks demonstrate the effectiveness of our method. The code will be available at https://github.com/Raibows/Learn-to-Reason.