4 月 7 日消息，最近，來自谷歌、卡內(nèi)基梅隆大學和 MultiOn 的聯(lián)合研究團隊發(fā)表了一項關(guān)于合成數(shù)據(jù)在大型模型訓(xùn)練中應(yīng)用的新研究。

據(jù)專注于人工智能發(fā)展的研究機構(gòu) Epoch AI 報告顯示，目前全球約有 300 萬億個公開可用的高質(zhì)量文本訓(xùn)練標記。然而，隨著類似 ChatGPT 這樣的大模型的迅猛發(fā)展，對訓(xùn)練數(shù)據(jù)的需求呈指數(shù)級增長，預(yù)計到 2026 年之前，這些數(shù)據(jù)將被耗盡。因此，合成數(shù)據(jù)成為了至關(guān)重要的替代方案。

據(jù)IT之家了解，研究人員主要探索了兩種合成數(shù)據(jù)類型：正向數(shù)據(jù)和負向數(shù)據(jù)。正向數(shù)據(jù)是指由高性能大模型（如 GPT-4 和 Gemini 1.5 Pro）生成的正確問題解決方案，為模型提供解決數(shù)學問題的示例。但僅依靠正向數(shù)據(jù)進行訓(xùn)練存在局限性。一方面，這種方法可能無法完全揭示問題解決過程背后的邏輯，模型可能會通過模式匹配來學習，而缺乏真正的理解；另一方面，隨著訓(xùn)練數(shù)據(jù)量的增加，模型可能會學到虛假的相關(guān)性，導(dǎo)致在處理新問題時泛化能力下降。

鑒于此，研究人員引入了負向數(shù)據(jù)，即經(jīng)過驗證為錯誤的問題解決步驟。這有助于模型識別并避免錯誤，從而增強其邏輯推理能力。盡管使用負向數(shù)據(jù)存在挑戰(zhàn)，因為錯誤的步驟可能包含誤導(dǎo)性信息，但研究人員通過直接偏好優(yōu)化（DPO）方法成功地使模型能夠從錯誤中學習，強調(diào)了每個問題解決步驟的重要性。

DPO 方法為每個問題解決步驟分配一個優(yōu)勢值，反映其相對于理想解決方案的價值。研究表明，高優(yōu)勢步驟是正確解決方案的關(guān)鍵，而低優(yōu)勢步驟可能表明模型推理中存在問題。利用這些優(yōu)勢值，模型可以在強化學習框架內(nèi)動態(tài)調(diào)整其策略，從而更高效地從合成數(shù)據(jù)中學習和改進。

為了驗證合成數(shù)據(jù)的有效性，研究團隊使用 DeepSeek-Math-7B 和 LLaMa2-7B 等模型，在 GSM8K 和 MATH 數(shù)據(jù)集上進行了全面測試。結(jié)果顯示，經(jīng)過正向和負向合成數(shù)據(jù)預(yù)訓(xùn)練的大模型在數(shù)學推理任務(wù)上的性能實現(xiàn)了八倍的提升。這一研究充分展示了合成數(shù)據(jù)在增強大模型邏輯推理能力方面的巨大潛力。