Размышляй, Повторяй, Вознаграждай: Самоулучшение больших языковых моделей с помощью обучения с подкреплением

Reflect, Retry, Reward: Self-Improving LLMs via Reinforcement Learning

May 30, 2025

Авторы: Shelly Bensal, Umar Jamil, Christopher Bryant, Melisa Russak, Kiran Kamble, Dmytro Mozolevskyi, Muayad Ali, Waseem AlShikh

cs.AI

Аннотация

Мы исследуем метод повышения производительности больших языковых моделей с использованием саморефлексии и обучения с подкреплением. Стимулируя модель генерировать более качественные саморефлексии при неправильных ответах, мы демонстрируем, что способность модели решать сложные, проверяемые задачи может быть улучшена даже в условиях, когда генерация синтетических данных невозможна и доступна только бинарная обратная связь. Наш подход работает в два этапа: сначала, при неудачном выполнении задачи, модель генерирует саморефлексивный комментарий, анализирующий её предыдущую попытку; затем модель получает ещё одну попытку выполнить задачу с учётом этого комментария. Если последующая попытка оказывается успешной, токены, сгенерированные на этапе саморефлексии, получают вознаграждение. Наши экспериментальные результаты показывают значительное улучшение производительности для различных архитектур моделей, достигая 34,7% в написании математических уравнений и 18,1% в вызове функций. Примечательно, что более мелкие дообученные модели (от 1,5 до 7 миллиардов параметров) превосходят модели того же семейства, которые в 10 раз больше. Таким образом, наш новый подход представляет собой перспективный путь к созданию более полезных и надёжных языковых моделей, способных самостоятельно улучшаться в решении сложных задач при ограниченной внешней обратной связи.

English

We explore a method for improving the performance of large language models through self-reflection and reinforcement learning. By incentivizing the model to generate better self-reflections when it answers incorrectly, we demonstrate that a model's ability to solve complex, verifiable tasks can be enhanced even when generating synthetic data is infeasible and only binary feedback is available. Our framework operates in two stages: first, upon failing a given task, the model generates a self-reflective commentary analyzing its previous attempt; second, the model is given another attempt at the task with the self-reflection in context. If the subsequent attempt succeeds, the tokens generated during the self-reflection phase are rewarded. Our experimental results show substantial performance gains across a variety of model architectures, as high as 34.7% improvement at math equation writing and 18.1% improvement at function calling. Notably, smaller fine-tuned models (1.5 billion to 7 billion parameters) outperform models in the same family that are 10 times larger. Our novel paradigm is thus an exciting pathway to more useful and reliable language models that can self-improve on challenging tasks with limited external feedback.