Управляемый шагами DPO: Использование пошаговой ошибки для улучшенного математического рассуждения

Step-Controlled DPO: Leveraging Stepwise Error for Enhanced Mathematical Reasoning

June 30, 2024

Авторы: Zimu Lu, Aojun Zhou, Ke Wang, Houxing Ren, Weikang Shi, Junting Pan, Mingjie Zhan

cs.AI

Аннотация

Прямая оптимизация предпочтений (Direct Preference Optimization, DPO) доказала свою эффективность в улучшении производительности больших моделей языка (Large Language Models, LLMs) на последующих задачах, таких как рассуждения и выравнивание. В данной работе мы предлагаем Шагово-Контролируемую Прямую Оптимизацию Предпочтений (Step-Controlled DPO, SCDPO), метод автоматического предоставления пошагового контроля ошибок путем создания отрицательных образцов рационалей математических рассуждений, начиная с ошибок на определенном шаге. Применяя эти образцы в обучении DPO, SCDPO может лучше выравнивать модель для понимания ошибок в рассуждениях и вывода точных шагов рассуждений. Мы применяем SCDPO как к решениям с интегрированным кодом, так и к последовательным решениям, эмпирически показывая, что он последовательно улучшает производительность по сравнению с наивной DPO на трех различных моделях SFT, включая одну существующую модель SFT и две модели, которые мы донастраивали. Качественный анализ присвоения кредитов SCDPO и DPO демонстрирует эффективность SCDPO в выявлении ошибок в математических решениях. Затем мы применяем SCDPO к модели InternLM2-20B, что приводит к модели 20B, достигающей высоких результатов 88.5% на GSM8K и 58.1% на MATH, конкурируя со всеми другими открытыми LLMs, показывая великий потенциал нашего метода.

English

Direct Preference Optimization (DPO) has proven effective at improving the performance of large language models (LLMs) on downstream tasks such as reasoning and alignment. In this work, we propose Step-Controlled DPO (SCDPO), a method for automatically providing stepwise error supervision by creating negative samples of mathematical reasoning rationales that start making errors at a specified step. By applying these samples in DPO training, SCDPO can better align the model to understand reasoning errors and output accurate reasoning steps. We apply SCDPO to both code-integrated and chain-of-thought solutions, empirically showing that it consistently improves the performance compared to naive DPO on three different SFT models, including one existing SFT model and two models we finetuned. Qualitative analysis of the credit assignment of SCDPO and DPO demonstrates the effectiveness of SCDPO at identifying errors in mathematical solutions. We then apply SCDPO to an InternLM2-20B model, resulting in a 20B model that achieves high scores of 88.5% on GSM8K and 58.1% on MATH, rivaling all other open-source LLMs, showing the great potential of our method.