Когда решать, когда проверять: вычислительно-оптимальное решение задач и генеративная проверка для рассуждений в больших языковых моделях

When To Solve, When To Verify: Compute-Optimal Problem Solving and Generative Verification for LLM Reasoning

April 1, 2025

Авторы: Nishad Singhi, Hritik Bansal, Arian Hosseini, Aditya Grover, Kai-Wei Chang, Marcus Rohrbach, Anna Rohrbach

cs.AI

Аннотация

Масштабирование вычислительных ресурсов на этапе тестирования стало ключевой стратегией для улучшения способностей к рассуждению у крупных языковых моделей (LLM), особенно в задачах, таких как решение математических задач. Традиционный подход, называемый Self-Consistency (SC), генерирует несколько решений задачи и выбирает наиболее часто встречающийся ответ с помощью голосования по большинству. Другой распространённый метод предполагает оценку каждого решения с использованием модели вознаграждения (верификатора) и выбор наилучшего. Недавние достижения в области Generative Reward Models (GenRM) переосмысливают верификацию как задачу предсказания следующего токена, что позволяет масштабировать вычисления на этапе вывода по новому направлению. В частности, GenRM генерирует несколько цепочек рассуждений для оценки каждого решения. При ограниченном бюджете на вывод возникает фундаментальный компромисс: стоит ли тратить бюджет на масштабирование решений через SC или генерировать меньше решений и выделять ресурсы на верификацию через GenRM? Чтобы ответить на этот вопрос, мы сравниваем GenRM с SC при фиксированном бюджете на вывод. Интересно, что мы обнаруживаем, что SC более эффективен по вычислительным ресурсам, чем GenRM, для большинства практических бюджетов на вывод в различных моделях и наборах данных. Например, GenRM впервые достигает уровня SC только после использования до 8 раз больше вычислительных ресурсов и требует значительно больше ресурсов для превосходства над ним. Кроме того, мы выводим законы масштабирования вывода для парадигмы GenRM, показывая, что оптимальное распределение вычислительных ресурсов на этапе вывода предпочитает более агрессивное масштабирование генерации решений, чем масштабирование количества верификаций. Наша работа предоставляет практические рекомендации по оптимизации масштабирования на этапе тестирования за счёт баланса между генерацией решений и верификацией. Код доступен по адресу https://github.com/nishadsinghi/sc-genrm-scaling.

English

Scaling test-time compute has emerged as a key strategy for enhancing the reasoning capabilities of large language models (LLMs), particularly in tasks like mathematical problem-solving. A traditional approach, Self-Consistency (SC), generates multiple solutions to a problem and selects the most common answer via majority voting. Another common method involves scoring each solution with a reward model (verifier) and choosing the best one. Recent advancements in Generative Reward Models (GenRM) reframe verification as a next-token prediction task, enabling inference-time scaling along a new axis. Specifically, GenRM generates multiple verification chains-of-thought to score each solution. Under a limited inference budget, this introduces a fundamental trade-off: should you spend the budget on scaling solutions via SC or generate fewer solutions and allocate compute to verification via GenRM? To address this, we evaluate GenRM against SC under a fixed inference budget. Interestingly, we find that SC is more compute-efficient than GenRM for most practical inference budgets across diverse models and datasets. For instance, GenRM first matches SC after consuming up to 8x the inference compute and requires significantly more compute to outperform it. Furthermore, we derive inference scaling laws for the GenRM paradigm, revealing that compute-optimal inference favors scaling solution generation more aggressively than scaling the number of verifications. Our work provides practical guidance on optimizing test-time scaling by balancing solution generation and verification. The code is available at https://github.com/nishadsinghi/sc-genrm-scaling.