К самосовершенствованию LLM с помощью MCTS: использование пошаговых знаний с обучением предпочтений учебного плана

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

October 9, 2024

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

cs.AI

Аннотация

Метод поиска дерева Монте-Карло (Monte Carlo Tree Search, MCTS) недавно стал мощным инструментом для улучшения способностей рассуждения LLMs. Техники, такие как SFT или DPO, позволили LLMs извлекать высококачественные поведенческие шаблоны из MCTS, улучшая их способности к рассуждению. Однако существующие методы дистилляции недостаточно используют богатую информацию о траекториях, созданную MCTS, что ограничивает потенциал улучшения рассуждения LLM. В данной статье мы предлагаем AlphaLLM-CPL, новую платформу для попарного обучения, которая позволяет LLMs самостоятельно улучшаться путем дистилляции поведения MCTS. AlphaLLM-CPL эффективно использует траектории MCTS благодаря двум ключевым инновациям: (1) AlphaLLM-CPL создает пары шаговых траекторий из дочерних узлов, имеющих одного и того же родителя в дереве поиска, предоставляя информацию на уровне шага для более эффективной дистилляции поведения MCTS. (2) AlphaLLM-CPL вводит обучение с предпочтительным курсом, динамически корректируя последовательность обучения пар траекторий на каждой эпохе оффлайн-обучения, чтобы приоритизировать критические шаги обучения и смягчить переобучение. Экспериментальные результаты на задачах математического рассуждения показывают, что AlphaLLM-CPL значительно превосходит предыдущие методы дистилляции поведения MCTS, существенно улучшая способности к рассуждению 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.