Naar Zelfverbetering van LLM's via MCTS: Profiteren van Stapsgewijze Kennis met Curriculum Voorkeursleren

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

October 9, 2024

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

cs.AI

Samenvatting

Monte Carlo Tree Search (MCTS) is recentelijk naar voren gekomen als een krachtige techniek om de redeneermogelijkheden van LLM's te verbeteren. Technieken zoals SFT of DPO hebben LLM's in staat gesteld om hoogwaardige gedragingen uit MCTS te destilleren, waardoor hun redeneerprestaties verbeteren. Echter, bestaande destillatiemethoden benutten de rijke trajectinformatie gegenereerd door MCTS niet volledig, wat het potentieel voor verbeteringen in LLM-redenering beperkt. In dit artikel stellen we AlphaLLM-CPL voor, een nieuw pairwise trainingskader dat LLM's in staat stelt zichzelf te verbeteren door middel van MCTS-gedragsdestillatie. AlphaLLM-CPL maakt efficiënt gebruik van MCTS-trajectorieën via twee belangrijke innovaties: (1) AlphaLLM-CPL construeert stapsgewijze trajectpaar van kindknopen die dezelfde ouder delen in de zoekboom, waardoor stapniveau-informatie wordt geboden voor effectievere MCTS-gedragsdestillatie. (2) AlphaLLM-CPL introduceert curriculumvoorkeursleren, waarbij de trainingsvolgorde van trajectpaar dynamisch wordt aangepast in elke offline trainings-epoch om kritieke leermomenten te prioriteren en overpassing te verminderen. Experimentele resultaten op wiskundige redeneertaken tonen aan dat AlphaLLM-CPL aanzienlijk beter presteert dan eerdere MCTS-gedragsdestillatiemethoden, waardoor de redeneermogelijkheden van LLM's aanzienlijk worden verbeterd.

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.