AI 做数学题的成绩又又又被刷新了！
众所周知，随着谷歌思维链（chain of thought）概念的提出，AI 做题时已经能像人类一样生成解题步骤。
这次，来自 DeepMind 的科学家提出了一个切实的问题：如何确保解题步骤和答案的双重正确率？
为此，他们在 GSM8K 数据集上全面对比了基于过程和基于结果的监督方法，并结合二者优势训练出一个最佳模型。
结果表明，新模型的答案错误率从 16.8% 降低到 12.7%，解题步骤的错误率也从 14.0% 降低到了 3.4%。
在介绍新研究前，不得不先提到谷歌今年 1 月在论文中提出的思维链概念。
简单来说，思维链提示就是一种特殊的上下文学习，不同于标准提示只是给出输入-输出对的示例，思维链提示还会额外增加一段推理的过程。
该方法在 LaMDA-137B、GPT-3 175B、PaLM-540B 三个大型语言模型上都得到了验证：对比标准提示，新方法在一系列算术推理等任务上的准确率都有了明显的提高。
但该方法存在的一个问题是，在某些情况下，AI 能生成正确答案，但推理过程却是错误的。
现在，来自 DeepMind 的研究人员，针对这一点做出了改进：不仅只关注最终结果，也注重推理过程的准确性。
为此，他们对自然语言处理任务中基于过程和结果的方法进行了首次全面比较。
具体来说，包括以下不同场景：少样本提示、有监督的微调、通过专家迭代的强化学习以及重排序和强化学习的奖励模型。
而之所以选择GSM8K 数据集，一来因为它是由小学数学应用题组成，答案都是整数解，方便准确性统计；
二是 GSM8K 数据集具有对推理步骤的离线监督，以及在线人工标注。
从结果上看，第一，基于过程和基于结果的方法在最终答案错误率上近乎一致。这也意味着，仅靠结果监督就足以实现较低的答案错误率。
第二，推理步骤准确率的提升则需要过程监督或模仿它的奖励模型。尽管最终答案错误率相似，但从下图可以看出，结果监督（19.8%）比过程监督（11.4%）的推理错误率明显要高。
除此之外，研究人员还结合二者优势，训练出一个最佳模型，即将监督学习与基于奖励模型的强化学习相结合。
新模型的答案错误率从以前的最佳水平 16.8% 降低到 12.7%，并且，答案正确、推理过程却错误的情况也从 14.0% 降低到了 3.4%。
当允许模型对 30% 的问题进行回避时，最终答案的错误率甚至能达到 2.7%。
本篇论文的研究团队来自 DeepMind，共同一作有三位：Jonathan Uesato、Nate Kushman、Ramana Kumar。
论文链接：
https://arxiv.org/pdf/2211.14275.pdf
本文来自微信公众号：量子位 （ID：QbitAI），作者：羿阁
广告声明：文内含有的对外跳转链接（包括不限于超链接、二维码、口令等形式），用于传递更多信息，节省甄选时间，结果仅供参考，IT之家所有文章均包含本声明。