語言模型終于會乘除法了！
大規(guī)模語言模型雖然在各大自然語言處理任務(wù)上都展現(xiàn)了優(yōu)越的性能，不過算術(shù)類題目仍然是一大難關(guān)，即便是當(dāng)下最強的 GPT-4 也很難處理基礎(chǔ)運算的問題。
最近，來自新加坡國立大學(xué)的研究人員提出了一個專供算術(shù)的模型山羊 Goat，在 LLaMA 模型基礎(chǔ)上微調(diào)后，實現(xiàn)了顯著優(yōu)于 GPT-4 的算術(shù)能力。
通過對合成的算術(shù)數(shù)據(jù)集進行微調(diào)，Goat 在 BIG-bench 算術(shù)子任務(wù)上實現(xiàn)了最先進的性能，
Goat 僅通過監(jiān)督微調(diào)就可以在大數(shù)加減運算上實現(xiàn)近乎完美的準(zhǔn)確率，超越了之前所有的預(yù)訓(xùn)練語言模型，如 Bloom、OPT、GPT-NeoX 等，其中零樣本的 Goat-7B 所達到的精度甚至超過了少樣本學(xué)習(xí)后的 PaLM-540
研究人員將 Goat 的卓越性能歸功于 LLaMA 對數(shù)字的一致性分詞技術(shù)。
為了解決更有挑戰(zhàn)性的任務(wù)，如大數(shù)乘法和除法，研究人員還提出了一種方法，根據(jù)算術(shù)的可學(xué)習(xí)性對任務(wù)進行分類，然后利用基本的算術(shù)原理將不可學(xué)習(xí)的任務(wù)（如多位數(shù)乘法和除法）分解為一系列可學(xué)習(xí)的任務(wù)。
通過全面的實驗驗證后，文中提出的分解步驟可以有效地提升算術(shù)性能。
并且 Goat-7 B 可以在 24 GB VRAM GPU 上使用 LoRA 高效訓(xùn)練，其他研究人員可以非常容易地重復(fù)該實驗，模型、數(shù)據(jù)集和生成數(shù)據(jù)集的 python 腳本即將開源。
會算數(shù)的語言模型
語言模型
LLaMA 是一組開源的預(yù)訓(xùn)練語言模型，使用公開可用的數(shù)據(jù)集在數(shù)萬億個 token 上進行訓(xùn)練后得到，并在多個基準(zhǔn)測試上實現(xiàn)了最先進的性能。
先前的研究結(jié)果表明，分詞（tokenization）對 LLM 的算術(shù)能力很重要，不過常用的分詞技術(shù)無法很好地表示數(shù)字，比如位數(shù)過多的數(shù)字可能會被切分。
LLaMA 選擇將數(shù)字切分為多個 token，確保數(shù)字表示的一致性，研究人員認(rèn)為，實驗結(jié)果中表現(xiàn)出的非凡算術(shù)能力主要歸功于 LLaMA 對數(shù)字的一致性分詞。
在實驗中，其他微調(diào)后的語言模型，如 Bloom、OPT、GPT-NeoX 和 Pythia，無法與 LLaMA 的算術(shù)能力相匹配。
算術(shù)任務(wù)的可學(xué)習(xí)性（Learnability of Arithmetic Tasks）
之前有研究人員對使用中間監(jiān)督解決復(fù)合任務(wù)（composite task）進行了理論分析，結(jié)果表明這種任務(wù)是不可學(xué)習(xí)的，但可以分解為多項式數(shù)量的簡單子任務(wù)。
也就是說，不可學(xué)習(xí)的復(fù)合問題可以通過使用中間監(jiān)督或逐步思維鏈（CoT）來學(xué)習(xí)。
在此分析基礎(chǔ)上，研究人員首先對可學(xué)習(xí)和不可學(xué)習(xí)任務(wù)進行實驗分類。
在算術(shù)計算的背景下，可學(xué)習(xí)任務(wù)通常是指那些可以成功訓(xùn)練模型以直接生成答案的任務(wù)，從而在預(yù)定義數(shù)量的訓(xùn)練 epochs 內(nèi)實現(xiàn)足夠高的精度。
不可學(xué)習(xí)的任務(wù)是那些即使經(jīng)過廣泛訓(xùn)練，模型也難以正確學(xué)習(xí)和生成直接答案的任務(wù)。
雖然任務(wù)可學(xué)習(xí)性變化背后的確切原因尚不完全清楚，但可以假設(shè)這與基本模式的復(fù)雜性和完成任務(wù)所需的工作記憶大小有關(guān)。
研究人員通過在簡化的合成環(huán)境中專門針對每個任務(wù)微調(diào)模型來實驗檢查這些任務(wù)的可學(xué)習(xí)性。
任務(wù)分類的結(jié)果也與人類的感知相同，通過實踐，人類可以在腦海中計算兩個大數(shù)字的加法和減法，無需手算的情況下，可以直接從左（最高有效數(shù)字）到右（最低有效數(shù)字）寫下最終的數(shù)字答案。
不過心算解決大數(shù)乘法和除法是一項具有挑戰(zhàn)性的任務(wù)。
還可以觀察到，上述對任務(wù)的分類結(jié)果與 GPT-4 的性能也一致，特別是 GPT-4 擅長為大數(shù)加法和減法生成直接答案，當(dāng)涉及到多位乘法和除法任務(wù)時，準(zhǔn)確性會顯著下降。
像 GPT-4 這樣強大的模型無法直接解決不可學(xué)習(xí)的任務(wù)，也可能表明，即使經(jīng)過廣泛的訓(xùn)練，為這些任務(wù)生成直接答案也是極具挑戰(zhàn)性的。
值得注意的是，對于 LLaMA 來說是可學(xué)習(xí)的任務(wù)可能不一定對于其他 LLM 來說是可學(xué)的。
此外，并非所有被歸類為不可學(xué)習(xí)的任務(wù)對模型來說都是完全不可能學(xué)習(xí)到的。
例如，兩位數(shù)乘兩位數(shù)被認(rèn)為是一項不可學(xué)習(xí)的任務(wù)，但如果訓(xùn)練集中包含所有可能的 2 位數(shù)乘法枚舉數(shù)據(jù)的話，模型仍然可以通過過擬合訓(xùn)練集來直接生成答案。
不過整個過程需要近 10 個 epoch 才能達到 90% 左右的準(zhǔn)確率。
而通過在最終答案之前插入文中提出的 CoT，該模型可以在 1 個 epoch 的訓(xùn)練后就可以在兩位數(shù)乘法中實現(xiàn)相當(dāng)不錯的精度，也與之前的研究結(jié)論一致，即中間監(jiān)督的存在有助于學(xué)習(xí)過程。
加法與減法
這兩個算術(shù)操作是可學(xué)習(xí)的，僅通過有監(jiān)督微調(diào)，模型就表現(xiàn)出了準(zhǔn)確生成直接數(shù)字答案的非凡能力。
盡管模型只是在非常有限的加法數(shù)據(jù)子集上進行了訓(xùn)練，但從模型在未見過的測試集上實現(xiàn)了近乎完美的準(zhǔn)確率上可以看出來，模型成功地捕獲了算術(shù)運算的基本模式，并且無需使用 CoT
乘法
研究人員通過實驗驗證了 n 位數(shù)乘 1 位數(shù)的乘法是可學(xué)習(xí)的，而多位數(shù)乘法則無法學(xué)習(xí)。
為了克服這個問題，研究人員選擇在生成答案之前對 LLM 進行微調(diào)以生成 CoT，將多位數(shù)乘法分解為 5 個可學(xué)習(xí)的子任務(wù)：
1. 抽取（extraction），從自然語言指令中抽取算術(shù)表達式
2. 拆分（split），將兩者中較小的數(shù)拆分為 place 值
3. 展開（expansion），基于分配性展開求和
4. 乘積（product），同時計算每個乘積
5. 逐項相加（adding term by term），將前兩項相加，復(fù)制其余項，得到最終和
其中每個任務(wù)都是可學(xué)習(xí)的。
除法
類似地，可以通過實驗觀察到 n 位數(shù)除以 1 位數(shù)是可以學(xué)習(xí)的，而多位數(shù)除法是不可學(xué)習(xí)的。
研究人員利用改進慢除法的遞推方程，設(shè)計了一個全新的思維鏈提示。
主要思想是從被除數(shù)中減去除數(shù)的倍數(shù)，直到余數(shù)小于除數(shù)。
數(shù)據(jù)集
文章中設(shè)計的實驗為兩個正整數(shù)的加法和減法，每個正整數(shù)最多包含 16 位數(shù)字，并且減法運算的結(jié)果可能是負(fù)數(shù)。
為了限制生成的最大序列長度，乘法的結(jié)果為 12 位以內(nèi)的正整數(shù)；兩個正整數(shù)的除法中，被除數(shù)小于 12 位，商值 6 位數(shù)以內(nèi)。
研究人員使用 Python 腳本合成了一個數(shù)據(jù)集，生成了大約 100 萬個問答對，答案包含提出的 CoT 以及最終的數(shù)字輸出，所有數(shù)字都是隨機生成的，可以保證重復(fù)實例的概率非常低，不過小數(shù)字可能會被多次采樣。
微調(diào)
為了使該模型能夠基于指令解決算術(shù)問題，并促進自然語言問答，研究人員使用 ChatGPT 生成了數(shù)百個指令模板。
在指令調(diào)整過程中，從訓(xùn)練集中為每個算術(shù)輸入隨機選擇一個模板，并微調(diào) LLaMA-7B，類似于 Alpaca 中使用的方法。
Goat-7B 可以在 24GB VRAM GPU 上使用 LoRA 進行微調(diào)，在 A100 GPU 上僅花費大約 1.5 小時即可完成 10 萬樣本的微調(diào)，并實現(xiàn)近乎完美的精度。
實驗結(jié)果
比較 Goat 和 GPT-4 在大量乘法和除法方面的性能似乎不公平，因為 GPT-4 會直接生成答案，而 Goat 則依賴于設(shè)計的思維鏈，所以在 GPT-4 評估時還在每個提示的結(jié)尾加入「Solve it step by step」
不過可以觀察到，雖然 GPT-4 在某些情況下，長乘法和除法的中間步驟錯了，但最終答案仍然是正確的，也就意味著 GPT-4 并沒有利用思維鏈的中間監(jiān)督來提高最終輸出。
最終從 GPT-4 的解決方案中確定了以下 3 個常見錯誤：
1. 對應(yīng)數(shù)字的對齊
2. 重復(fù)數(shù)字
3. n 位數(shù)乘以 1 位數(shù)的中間結(jié)果錯誤
從實驗結(jié)果中可以看插到，GPT-4 在 8D+8D 和 16D+16D 任務(wù)上表現(xiàn)相當(dāng)好，但在大多數(shù) 16D+8D 任務(wù)上的計算結(jié)果都是錯誤的，盡管直觀上來看，16D+8D 應(yīng)該比 16D+16D 相對容易。
雖然造成這種情況的確切原因尚不清楚，但一個可能的因素可能是 GPT-4 不一致的數(shù)字分詞過程，使得兩個數(shù)字之間很難對齊.
參考資料：
https://huggingface.co/papers/2305.14201
本文來自微信公眾號：新智元 （ID：AI_era）
廣告聲明：文內(nèi)含有的對外跳轉(zhuǎn)鏈接（包括不限于超鏈接、二維碼、口令等形式），用于傳遞更多信息，節(jié)省甄選時間，結(jié)果僅供參考，IT之家所有文章均包含本聲明。