LLM實現自迴歸搜尋！MIT哈佛等提出「行動思維鏈」COAT，推理能力大提升

2025-05-30 06:55 新智元

新智元報道  

編輯：英智
【新智元導讀】本研究提出了一種創新的自迴歸搜尋方法，透過兩階段訓練框架，小規模格式調優和大規模自我最佳化，開發出了Satori，一個在數學推理和跨領域任務中均表現優異的7B引數模型。Satori透過自我反思和探索策略，展現了強大的遷移能力和自我糾錯能力。
OpenAI o1釋出後，為提升LLM的推理能力，研究者嘗試了多種方法。
比如用強大的教師模型進行知識蒸餾、採用蒙特卡洛樹搜尋（MCTS），以及基於獎勵模型的引導搜尋。
近日，來自MIT、新加坡科技設計大學、哈佛大學等機構的華人研究者探索了全新的方向：讓LLM擁有自迴歸搜尋能力。透過自我反思和探索新策略，提升LLM推理能力。
研究者引入了行動-思維鏈（COAT）機制，使LLM在解決問題時能夠執行多種元動作，並提出了一種創新的兩階段訓練框架：
  • 小規模格式調優階段：讓LLM熟悉並掌握COAT推理格式。
  • 大規模自我最佳化階段：運用重啟與探索（RAE）技術，透過RL進行最佳化。
透過這種方法，成功開發出Satori，在數學推理任務中，成績優異。
Satori具有以下核心特點：
  • 無需外部指導，即可自我反思與探索。
  • 主要依靠自我改進（RL），實現了最先進的推理效能。
  • 展現出強大的遷移能力，可應用於數學以外的領域。
論文地址：https://arxiv.org/pdf/2502.02508
開源專案：https://github.com/satori-reasoning/Satori
Satori關鍵設計
研究者把LLM的推理過程看作一個順序決策問題，其中推理就是逐步構建並完善答案的過程。
具體來說，LLM從輸入上下文（初始狀態）開始，生成一個推理步驟（動作），並更新上下文（下一個狀態）。
LLM會重複這個過程，直到得出最終答案。根據最終答案與真實答案的匹配程度，給予LLM獎勵。
透過這種方式，用RL來訓練LLM進行推理，旨在讓LLM生成一系列推理步驟，以最大化期望獎勵。

行動-思維鏈推理（COAT）

實現自迴歸搜尋時，關鍵挑戰在於讓LLM能夠在沒有外部干預的情況下，判斷何時進行反思、繼續推理，或是探索替代方案。
為解決這個問題，研究者引入了幾種特殊的元行動tokens，來引導LLM的推理過程：
  • 繼續推理（<|continue|>）：鼓勵LLM依據當前的推理思路，生成下一個中間步驟。
  • 反思（<|reflect|>）：提醒模型暫停下來，驗證之前的推理步驟是否正確。
  • 探索替代解決方案（<|explore|>）：提示模型識別推理中的關鍵漏洞，並探索新的解決方案。
這種推理方式稱為行動-思維鏈（COAT）推理。每個COAT推理步驟都是一個tokens序列，並從其中一個元行動tokens開始。
標準LLM無法執行COAT推理，將RL應用於推理面臨兩個關鍵挑戰：
  1. 對元動作tokens缺乏認知：如果沒有經過訓練，LLM在遇到特殊的元動作tokens時，不會意識到需要反思或者尋找替代解決方案。
  2. 長期決策與獎勵稀疏：推理涉及長期決策，而獎勵僅在最終階段給出。這意味著LLM必須在得到獎勵之前，連續做出多個正確的推理步驟，一旦出錯，就只能從初始狀態重新開始。因為獎勵非常稀缺，而獎勵對於RL至關重要，這大大增加了學習難度。
一開始，模型對元動作tokens沒有認知。為解決這個問題，研究者設定了一個格式調優階段。
具體做法是，在一個有少量推理軌跡示例的小資料集上對預訓練的LLM進行微調。透過這一步，模型就能熟悉元動作tokens的使用，並且做出相應反應。
另外，推理存在決策時間長、獎勵少的問題。為解決這個難題，借鑑Go-Explore的思路，提出重啟與探索（RAE）策略。
模型會從之前推理過程中的中間步驟重新開始，包括那些推理失敗的節點，這樣它就能專注於改正錯誤，而不用每次都從頭開始。
同時，還增設了探索獎勵，鼓勵模型進行更深入的思考，從而提高得出正確答案的可能性。

透過模仿學習進行格式調優

這個階段的目的是對預訓練的基礎LLM進行微調，讓它能模仿符合COAT推理格式的示範推理軌跡。
為了合成包含試錯過程的COAT推理軌跡，研究者提出多代理資料合成框架，透過三個LLM來完成這項任務：
  • 生成器：給定一個輸入問題，生成器會運用經典的鏈式思維（CoT）技術，生成多個推理路徑。
  • Critic：負責評估生成器生成的推理路徑是否正確，同時提供反饋以最佳化推理過程，修正不合理的步驟。
  • 獎勵模型：對最佳化後的推理路徑打分，挑選出最有效的路徑，作為最終的示範軌跡。
這三個模型相互配合，共同構建出高質量的示範軌跡。僅需10K條示範軌跡，就能讓基礎LLM學會遵循COAT推理格式。

透過RL進行自我提升

透過格式調優，LLM已經掌握了COAT推理風格，但遇到新問題時，仍然很難泛化。
RL階段的目標，就是讓LLM透過自我反思，提升推理能力。
以完成格式調優的LLM為基礎，用經典的PPO演算法進一步最佳化，同時引入兩個關鍵策略：
重啟與探索（RAE）：受Go-Explore演算法啟發，訓練LLM時，不僅讓它從問題本身出發進行推理，還讓它從過去的推理過程中，取樣中間步驟來進行推理。
此外，增設了探索獎勵，鼓勵LLM進行更深入的自我反思，從而增加它找到正確答案的可能性。
迭代自我提升：訓練過程中，LLM的策略可能會陷入區域性最優解。
借鑑Kickstarting的思路，在每一輪RL訓練結束後，透過監督微調，把當前教師策略的知識傳遞給基礎模型。以微調後的LLM為起點，再開展下一輪RL訓練。
評估結果
大量實驗結果顯示，Satori在數學推理基準測試中取得了最佳成績，在不同領域的任務上也有很強的泛化能力。
研究者選擇Qwen-2.5-Math-7B作為基礎模型，因為它在數學方面能力很強。訓練資料來源於公開的數學指令資料集，包括OpenMathInstruct-2和NuminaMathCoT。
在多智慧體資料合成框架中，生成器需生成高質量的逐步推理軌跡，因此選用Qwen-2.5-MathInstruct。而評論者需要有很強的指令跟隨能力，於是選了Llama3.1-70B-Instruct。
表中展示了數學基準測試的結果，Satori-Qwen-7B在所有小規模基線模型中表現最佳。
儘管Satori-Qwen-7B使用了與Qwen-2.5-Math-7B-Instruct相同的基礎模型，其效能明顯優於後者，所需的SFT資料顯著減少，並更多依賴於自我改進。
同時在數學領域之外的廣泛基準測試上進行了評估，包括邏輯推理（FOLIO、BGQA）、程式碼推理（CEUXEval）、常識推理（StrategyQA）、表格推理（TableBench）以及特定領域推理（MMLUPro的STEM子集），覆蓋物理、化學、計算機科學、工程學、生物學和經濟學。
儘管Satori-Qwen-7B只在數學領域的資料集上訓練過，但它的推理能力同樣適用於其他領域。
表中展示了Satori-Qwen-7B在跨領域基準測試中的表現。

和在數學領域的表現類似，Satori-Qwen-7B在多個基準測試裡成績優異，超過了Qwen-2.5-Math-7B-Instruct。
特別是在難度較高的BoardgameQA推理基準測試中，Satori-Qwen-7B的表現優於所有同規模的基線模型。
這些結果表明，Satori-Qwen-7B不僅掌握了數學解題技能，還具備了通用的推理能力。
最後一行展示了Satori第二輪訓練的結果。與Satori-Qwen-7B相比，Satori-Qwen-7B（Round 2）在大多數領域表現出持續的效能提升。
這表明迭代自我改進在提升LLM推理效能方面具有顯著的潛力。

Satori展現自我糾錯能力

研究者觀察到Satori在推理過程中經常自我反思，主要出現這兩種情形：一是在推理的中間步驟，二是完成問題後，透過自我反思發起第二次常識。
對第二種情況做定量評估，以衡量Satori的自我糾錯能力。
具體做法是，找出那些自我反思前後最終答案不一樣的回答，然後計算其中正向（從錯誤修正為正確）自我糾錯或負向（從正確改為錯誤）的比例。
表中呈現了Satori在領域內資料集（MATH500和Olympiad）以及領域外資料集（MMLUPro）上的評估結果。
與沒有經過RL訓練階段的Satori-Qwen-FT相比，Satori-Qwen的自我糾錯能力更強。
這種自我糾錯能力在領域外任務（MMLUPro-STEM）中同樣存在。
這些結果說明，RL對於提升模型實際的推理能力起著關鍵作用。

RL使Satori具備測試時擴充套件能力

接下來，討論RL如何激勵Satori進行自迴歸搜尋。
首先，從圖中可以看到，隨著RL訓練計算量的增多，Satori策略的準確率不斷上升，同時生成內容的平均token長度也在增加。這表明Satori學會了花更多時間去推理，從而更準確地解決問題。
一個有趣的現象是，響應長度在前0到200步時先減少，然後再增加。
透過深入分析模型的響應，發現在早期階段，Satori還未學會自我反思能力。
在這個階段，RL最佳化可能會先引導模型尋找捷徑來解決問題，減少不必要的思考，所以響應長度會暫時變短。
到了後期，模型慢慢學會透過反思來自我糾錯，找到更好的解法，因此響應長度隨之增加。
此外，研究人員在不同難度的MATH資料集上，對Satori的測試準確率和響應長度做了評估。
經過RL訓練，Satori在測試時會自動把更多計算資源，用在解決更難的問題上。與只經過格式調優的模型相比，Satori的效能不斷提高。

蒸餾實現從弱到強的泛化能力

最後，我們探究能否藉助蒸餾更強的推理模型，提升較弱基礎模型的推理能力。
具體做法是，用Satori-Qwen-7B生成24萬條合成數據，以此訓練Llama-3.1-8B和Granite-3.1-8B這兩個基礎模型。
作為對比，研究者還合成了24萬條格式調優（FT）資料，用於訓練同樣的兩個模型。
之後，在所有數學基準測試資料集上，對這些模型的平均測試準確率進行評估，結果如圖所示。
實驗表明，經過蒸餾訓練的模型，效能比僅經過格式調優的模型更好。
這為提升較弱基礎模型的推理能力，提供了一種新的高效方法：
  1. 透過小規模的格式調優與大規模RL相結合，訓練出像Satori-Qwen-7B這樣的強推理模型。
  2. 運用蒸餾的方式，將這個強推理模型的能力轉移到較弱的基礎模型中。
由於RL訓練只需答案標籤作為監督訊號，所以這種方法合成數據的成本很低，既不需要多智慧體資料合成框架，也無需昂貴的人工標註。
參考資料：
https://x.com/gan_chuang/status/1886990694327238824
https://satori-reasoning.github.io/blog/satori/

相關文章