Quando Risolvere, Quando Verificare: Risoluzione Ottimizzata dal Punto di Vista Computazionale e Verifica Generativa per il Ragionamento nei Modelli Linguistici di Grande Dimensione

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

April 1, 2025

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

cs.AI

Abstract

Il ridimensionamento del calcolo in fase di test è emerso come una strategia chiave per potenziare le capacità di ragionamento dei grandi modelli linguistici (LLM), in particolare in compiti come la risoluzione di problemi matematici. Un approccio tradizionale, l'Autoconsistenza (SC), genera più soluzioni a un problema e seleziona la risposta più comune tramite voto a maggioranza. Un altro metodo comune prevede di assegnare un punteggio a ciascuna soluzione utilizzando un modello di ricompensa (verificatore) e di scegliere la migliore. I recenti progressi nei Modelli di Ricompensa Generativi (GenRM) riformulano la verifica come un compito di previsione del token successivo, consentendo il ridimensionamento in fase di inferenza lungo un nuovo asse. Nello specifico, GenRM genera più catene di pensiero di verifica per valutare ciascuna soluzione. Con un budget di inferenza limitato, ciò introduce un compromesso fondamentale: è meglio spendere il budget per ridimensionare le soluzioni tramite SC o generare meno soluzioni e allocare il calcolo alla verifica tramite GenRM? Per affrontare questa questione, valutiamo GenRM rispetto a SC con un budget di inferenza fisso. Interessantemente, scopriamo che SC è più efficiente in termini di calcolo rispetto a GenRM per la maggior parte dei budget di inferenza pratici, su diversi modelli e dataset. Ad esempio, GenRM raggiunge per la prima volta le prestazioni di SC solo dopo aver consumato fino a 8 volte il calcolo di inferenza e richiede un calcolo significativamente maggiore per superarlo. Inoltre, deriviamo le leggi di ridimensionamento dell'inferenza per il paradigma GenRM, rivelando che l'inferenza ottimale in termini di calcolo favorisce un ridimensionamento più aggressivo della generazione di soluzioni rispetto al numero di verifiche. Il nostro lavoro fornisce indicazioni pratiche sull'ottimizzazione del ridimensionamento in fase di test bilanciando la generazione di soluzioni e la verifica. Il codice è disponibile all'indirizzo 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.