OpenAI 一个简单的动作，让大模型数学能力直接达到 SOTA。
而且直接开源论文数据集，包含 80 万个人类反馈标签！
这就是 OpenAI 的最新研究。基于 GPT-4，他们微调了几个模型，分别采用不同的监督方法。
一种是传统的结果监督，只对最终正确答案进行奖励。
另一种则是过程监督，区别在于奖励增加，对每一个正确的推理步骤进行奖励。
结果这一点改变，让采用过程监督的模型 Process Reward Model（PRM），可以解决 MATH 测试集代表子集中78%的问题，达到 SOTA。
英伟达 AI 科学家 Jim Fan 大胆预测说，下一步 OpenAI 大概会用这种方法微调 GPT-4。
OpenAI 表示：
我们认为探索过程监督在数学之外领域的表现非常重要。如果这些结果具有普遍性，那意味着过程监督将成为比结果监督更有效的方法。
话不多说，先看 OpenAI 给出的具体例子。
比如这样一道三角函数的题：
用过程监督的模型来算，效果会是这样的：
OpenAI 表示，这道题对于大模型来说还是比较有挑战性的，GPT-4 也不太能搞定（只有 0.1% 的情况生成结果完全没问题）。而使用过程奖励是可以算出正确答案的。
这也是目前大语言模型比较饱受诟病的问题，容易产生逻辑错误，也被称为“幻觉”。
表现最明显的领域就是数学。
即便是先进如 GPT-4，这类问题也难以避免。
而降低幻觉的出现，又被视为走向 AGI 的关键一步。
此前为检测幻觉所使用的是结果监督，基于最终结果提供反馈，仅仅奖励最终正确的答案。
但效果显然还不太行，所以 OpenAI 想了个新招，把这种奖励增加会怎么样？
于是他们提出了过程监督方法，针对思维链中的每个步骤提供反馈，奖励每个正确的推理步骤。
结果表明，用 MATH 数据集进行测试后：
过程监督模型能够解决 MATH 测试集代表子集的 78% 的问题。效果优于结果监督。
而且随着每个问题考虑的解决方案的数量增加，性能差距也逐渐增大，也说明了过程监督的奖励模型更加可靠。
在测试中，过程监督有一个明显的优势：
可以准确指出解决问题的步骤中哪些是正确的，并且给出错误步骤的具体位置。
而这点在结果监督中，是具有挑战性的。
因此，在过程监督中，信用分配（credit assignment）更加容易。
而且在对齐方面，过程监督也优于结果监督。
因为过程监督会直接奖励模型，按照对齐的思维链进行操作，每个步骤都会更精确。
产生的结果可解释性也更高，因为它鼓励模型遵循经过人类批准的过程。
相比之下，基于结果的监督可能会出现奖励不对齐的过程，而且通常更难进行审查。
此外，大模型还经常遇到一个问题叫做对齐税（alignment tax）。也就是想让模型输出更安全，那性能就会有所下降。
而过程奖励，在数学领域能让这个对齐税，变成负的，即模型安全性和性能都保障。
总之，过程奖励这个小窍门，一次性解决了大模型数学推理方面的多个问题。
在实验结果方面，OpenAI 还给出了多个实例。
比如有一些情况，GPT-4 会出错，但是基于过程奖励的 PRM 能揪出问题。
最近有 30 名学生参加了一次考试。如果有 20 名学生考了 80 分，8 名学生考了 90 分，2 名学生得分为 100 分，那么这次考试的班级平均分是多少？
下面是模型的作答结果：
前面的作答没有问题，但是在第 7 步中，GPT-4 试图对表达式进行简化，出现了错误。
而奖励模型却察觉到了这个错误。
当然也有都不成功的例子，比如下面这道题 GPT-4 和 PRM 都被迷惑了：
来看一下模型的回答：
在第 4 步中，GPT-4 错误地认为该序列每 12 项循环一次，而事实上是每 10 项循环一次。
而这种计数错误也迷惑到了奖励模型。
此外，OpenAI 共给出了 10 个问题和解决方案。
可以看出，基于过程监督的奖励模型在一些问题上也会被迷惑住，但是在整体上明显表现得更好。
很快，OpenAI 的最新工作在各个平台上都引发了热烈讨论。
有人评价：
如果这个方法在非数学领域也能奏效，我们现在或许正处于游戏规则即将改变的时刻。
还有人说，这项工作如果用在互动、教育方面，会非常令人兴奋，尤其是数学领域。
这不，有人就说，看来以后不用再做数学家庭作业和证明题了（doge）。
用一张图来总结，大概就是酱婶儿的：
也有人提出了自己的担心：这种密集的奖励信号是否会导致模型更容易陷入局部最小值。
但是如果能够足够随机化、全局搜索，或许模型的鲁棒性更高。
值得一提的是，这种 step by step 的方法，不止一次在提升大模型性能上奏效。
之前，东京大学和谷歌的研究人员发现，只要在对话中加一句“Let’s think step by step”，GPT-3 就能回答出以前不会的问题。
比如提问：
16 个球中有一半是高尔夫球，这些高尔夫球中有一半是蓝色的，一共有几个蓝色的高尔夫球？
（问题不难，但要注意这是零样本学习，也就是说 AI 训练阶段从没见过同类问题。）
如果要求 GPT-3 直接写出“答案是几”，它会给出错误答案：8。
但加上让我们一步一步地思考这句“咒语”后，GPT-3 就会先输出思考的步骤，最后给出正确答案：4！
而与之相呼应的是，这回 OpenAI 最新研究的论文题目就叫做《Let’s Verify Step by Step》。
论文地址：
https://openai.com/research/improving-mathematical-reasoning-with-process-supervision
数据集：
https://github.com/openai/prm800k
参考链接：
[1]https://twitter.com/OpenAI/status/1663957407184347136
[2]https://twitter.com/DrJimFan/status/1663972818160332800
[3]https://twitter.com/_akhaliq/status/1663981726647894027
本文来自微信公众号：量子位 （ID：QbitAI），作者：明敏 西风
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。