Sprachmodelle sind verborgene Denker: Enthüllung latenter Denkfähigkeiten durch Selbstbelohnung.

Language Models are Hidden Reasoners: Unlocking Latent Reasoning Capabilities via Self-Rewarding

November 6, 2024

Autoren: Haolin Chen, Yihao Feng, Zuxin Liu, Weiran Yao, Akshara Prabhakar, Shelby Heinecke, Ricky Ho, Phil Mui, Silvio Savarese, Caiming Xiong, Huan Wang

cs.AI

Zusammenfassung

Große Sprachmodelle (LLMs) haben beeindruckende Fähigkeiten gezeigt, kämpfen jedoch immer noch mit komplexen Denkaufgaben, die mehrere Schritte erfordern. Während promptbasierte Methoden wie Chain-of-Thought (CoT) die Denkfähigkeit von LLMs zur Inferenzzeit verbessern können, bleibt die Optimierung der Denkfähigkeiten während des Trainings eine Herausforderung. Wir stellen LaTent Reasoning Optimization (LaTRO) vor, ein fundiertes Rahmenwerk, das Denken als Probenahme aus einer latenten Verteilung formuliert und es über variationale Ansätze optimiert. LaTRO ermöglicht es LLMs, sowohl ihren Denkprozess als auch ihre Fähigkeit zur Bewertung der Denkqualität gleichzeitig zu verbessern, ohne externe Rückmeldungen oder Belohnungsmodelle zu benötigen. Wir validieren LaTRO durch Experimente an den Datensätzen GSM8K und ARC-Challenge unter Verwendung mehrerer Modellarchitekturen. Auf GSM8K verbessert LaTRO die Nullschussgenauigkeit im Durchschnitt um 12,5% gegenüber Basismodellen und um 9,6% gegenüber überwachtem Feintuning bei Phi-3.5-mini, Mistral-7B und Llama-3.1-8B. Unsere Ergebnisse legen nahe, dass vorab trainierte LLMs latente Denkfähigkeiten besitzen, die durch unseren vorgeschlagenen Optimierungsansatz auf eine selbstverbessernde Weise freigesetzt und verbessert werden können. Der Code von LaTRO ist verfügbar unter https://github.com/SalesforceAIResearch/LaTRO.

English

Large language models (LLMs) have shown impressive capabilities, but still struggle with complex reasoning tasks requiring multiple steps. While prompt-based methods like Chain-of-Thought (CoT) can improve LLM reasoning at inference time, optimizing reasoning capabilities during training remains challenging. We introduce LaTent Reasoning Optimization (LaTRO), a principled framework that formulates reasoning as sampling from a latent distribution and optimizes it via variational approaches. LaTRO enables LLMs to concurrently improve both their reasoning process and ability to evaluate reasoning quality, without requiring external feedback or reward models. We validate LaTRO through experiments on GSM8K and ARC-Challenge datasets using multiple model architectures. On GSM8K, LaTRO improves zero-shot accuracy by an average of 12.5% over base models and 9.6% over supervised fine-tuning across Phi-3.5-mini, Mistral-7B, and Llama-3.1-8B. Our findings suggest that pre-trained LLMs possess latent reasoning capabilities that can be unlocked and enhanced through our proposed optimization approach in a self-improvement manner. The code of LaTRO is available at https://github.com/SalesforceAIResearch/LaTRO.