Het herdenken van de generatie van hoogwaardige CoT-gegevens vanuit het perspectief van LLM-adaptieve vraagmoeilijkheidsgradatie

Rethinking the Generation of High-Quality CoT Data from the Perspective of LLM-Adaptive Question Difficulty Grading

April 16, 2025

Auteurs: Qianjin Yu, Keyu Wu, Zihan Chen, Chushu Zhang, Manlin Mei, Lingjun Huang, Fang Tan, Yongsheng Du, Kunlin Liu, Yurui Zhu

cs.AI

Samenvatting

Onlangs heeft DeepSeek-R1 (671B) (DeepSeek-AI et al., 2025) zijn uitstekende redeneervermogen aangetoond in complexe taken en heeft het zijn methodologie openbaar gemaakt. Dit biedt potentieel hoogwaardige chain-of-thought (CoT)-gegevens voor het stimuleren van de redeneervermogens van kleine grote taalmodellen (LLM's). Om hoogwaardige CoT-gegevens te genereren voor verschillende LLM's, zoeken we naar een efficiënte methode voor het genereren van hoogwaardige CoT-gegevens met LLM-Adaptieve vraagmoeilijkheidsniveaus. Ten eerste beoordelen we de moeilijkheid van de vragen op basis van het redeneervermogen van de LLM's zelf en construeren we een LLM-Adaptieve vraagdatabase. Ten tweede nemen we een steekproef uit de probleemdatabase op basis van een verdeling van de moeilijkheidsniveaus van de vragen en gebruiken we vervolgens DeepSeek-R1 (671B) (DeepSeek-AI et al., 2025) om de corresponderende hoogwaardige CoT-gegevens met correcte antwoorden te genereren. Dankzij de constructie van CoT-gegevens met LLM-Adaptieve moeilijkheidsniveaus hebben we de kosten van gegevensgeneratie aanzienlijk verlaagd en de efficiëntie van model supervised fine-tuning (SFT) verbeterd. Tot slot hebben we de effectiviteit en generaliseerbaarheid van de voorgestelde methode gevalideerd op het gebied van complexe wiskundige wedstrijden en codegeneratietaken. Opmerkelijk is dat met slechts 2k hoogwaardige wiskundige CoT-gegevens, onze ZMath-32B DeepSeek-Distill-32B overtreft in wiskundige redeneertaken. Evenzo overtreft onze ZCode-32B met slechts 2k hoogwaardige code CoT-gegevens DeepSeek-Distill-32B in coderedeneertaken.

English

Recently, DeepSeek-R1 (671B) (DeepSeek-AIet al., 2025) has demonstrated its excellent reasoning ability in complex tasks and has publiclyshared its methodology. This provides potentially high-quality chain-of-thought (CoT) data for stimulating the reasoning abilities of small-sized large language models (LLMs). To generate high-quality CoT data for different LLMs, we seek an efficient method for generating high-quality CoT data with LLM-Adaptive questiondifficulty levels. First, we grade the difficulty of the questions according to the reasoning ability of the LLMs themselves and construct a LLM-Adaptive question database. Second, we sample the problem database based on a distribution of difficulty levels of the questions and then use DeepSeek-R1 (671B) (DeepSeek-AI et al., 2025) to generate the corresponding high-quality CoT data with correct answers. Thanks to the construction of CoT data with LLM-Adaptive difficulty levels, we have significantly reduced the cost of data generation and enhanced the efficiency of model supervised fine-tuning (SFT). Finally, we have validated the effectiveness and generalizability of the proposed method in the fields of complex mathematical competitions and code generation tasks. Notably, with only 2k high-quality mathematical CoT data, our ZMath-32B surpasses DeepSeek-Distill-32B in math reasoning task. Similarly, with only 2k high-quality code CoT data, our ZCode-32B surpasses DeepSeek-Distill-32B in code reasoning tasks.