ChatGPT 人工智能 GPT4 伦理 生成式 医疗 监管 安全 机器学习 深度学习 神经网络 计算机视觉 强化学习 模型 算法 应用 开发 研究 工具 平台 框架 数据集 训练 部署 安全 合规 培训 投资 LLM,llm AI,ai,Ai 大模型 大语言模型 制图 生图 绘图 文生图 文生视频 生成式AI AGI 世界模型 sora chatGPT,chatgpt,ChatGpt claude openai Llama deepseek midjourney 红熊猫模型 Red panda,panda Stable Diffusion,StableDiffusion,stable DALL- E 3 DALL E DALL Flux,flux 扩散模型 混元大模型 文心一言 通义千问 可灵 Pika PixelDance 豆包 月之暗面 零一万物 阶跃星辰 搜索增强 MiniMax Talkie Agent prompt fastai LangChain TTS 微调 提示词 知识库 智能体
# 热门搜索 #
搜索
o1不是唯一路径!MIT新研究:在测试时训练,模型推理能力最高升至5.8倍
2491点击    2024-11-12 13:17

o1不是通向大模型推理的唯一路径!


MIT的新研究发现,在测试时对大模型进行训练,可以让推理水平大幅提升。


在挑战超难的ARC任务时,准确率最高可提升至原来的5.83倍。



这样的表现不仅优于GPT-4和Claude,如果与其他推理方法相结合,还能超越人类的平均水准。



OpenAI o1团队成员Noam Brown表示,o1的大规模计算可能不是最好的方法,很高兴看到有学者在提高推理能力上探索新的方法。



在测试中训练模型


不同于传统的先训练后测试模式,测试时训练(Test-Time Training,TTT)在部署阶段面对新的测试样本时,不直接用训练好的模型去推理。


在推理之前,测试样本自身携带的信息,会通过快速的训练过程被用于调整模型参数。


总体来说,TTT过程中一共有三个关键阶段——训练数据生成、模型适应范式设计以及推理阶段的策略。


数据生成的核心是将测试任务中蕴含的输入输出对关系,通过数据增强的方式最大限度地利用,可具体分为两个步骤。


首先是基于leave-one-out构造新的任务。


对于包含K个输入输出对的测试任务,依次将每个样本留出作为测试样本,其余K-1个作为训练样本,由此构造出K个新的TTT训练任务。


这样就可以从一个测试任务出发,构造出K个结构一致但内容互补的新任务,从而扩充了TTT训练数据。


在此基础上,作者还进行了数据增强,主要包括对输入输出施加各类几何变换,以及打乱训练样本对的顺序。


经过这一步,TTT训练集的规模可以得到显著扩大。


整个TTT数据构造过程可高度自动化,不依赖人工标注。



利用构造好的TTT数据集,就可以对预训练好的语言模型进行测试时训练。


考虑到测试时的资源限制,作者采用了参数高效的LoRA,为每个测试任务学习一组独立的adapter参数,附加在预训练模型的每一层之上,通过一个低秩矩阵与原始权重相乘起到调节作用。


过程中还额外加入了对所有前缀序列的预测,目的是通过在各种长度的演示样本上都计算损失,鼓励模型尽早地从少量信息中总结出抽象规律,从而提高鲁棒性。



最后,为了实现TTT效果的最大化,作者在推理阶段应用了数据增强和集成学习策略。


推理过程中,先利用一系列预定义的几何变换算子(如旋转、翻转等)扩充原始输入,生成若干等价视角下的输入变体。


之后将每个变体输入并行地送入LoRA-tuned模型,独立完成预测,然后再对齐和还原到原始输入空间,由此得到一组成对的预测。


在成对预测的基础上,通过分两层投票的方式完成集成融合:


  • 第一层在每种变换内部进行投票,选出置信度最高的Top-3个预测;
  • 第二层在不同变换的Top-3预测之间进行全局投票,选出最终的Top-2作为输出。


这一推理策略,既通过数据增强引入了输入的多样性,又用分层投票的方式对不同来源的预测进行了结构化的组合,进一步提升了TTT方法的效果。



ARC任务准确率最高升至6倍


为了评估TTT方法的效果,研究团队以8B参数的GPT-3作为基础模型进行了测试。


如果不使用TTT仅进行微调,模型在ARC数据集上的准确率只有18.3%,加入TTT后提升到47.1%,增长率达到了157%。



另外,作者还从ARC数据集中随机选择了80个任务作为子集进行了测试。


测试发现,TTT方法对于1B模型的提升效果更加明显,调整后模型的准确率接近调整前的6倍。


并且在调整前后,1B和8B两个规模的模型之间的相对差距也在缩小。



进一步地,作者还将TTT方法与之前在ARC任务上取得优异成绩的BARC(Bootstrapping Approach for Reward model Construction)方法进行了比较和结合。


具体来说,作者首先独立运行这两个系统,得到它们在每个测试任务上的输出。


如果两者输出完全一致,则直接认为推理结果是正确的;


如果输出不一致,则看BARC是否能够生成确定的、唯一覆盖所有测试样本的解题程序,若是则认为BARC的输出更可靠;


反之,如果BARC生成了多个候选程序但无法确定最优解,或者干脆无法生成任何满足约束的程序,则认为TTT的输出更可靠。


两种方式配合使用后,取得了61.9%的SOTA成绩,已经超过了人类的平均水平



One More Thing


根据作者在推文中的介绍,在这篇论文发布前,一个叫做MindsAI的团队已经发现使用了相同的技术。


利用TTT技术,该团队已经用58%的正确率取得了ARC挑战的第一名。


作者的论文发布之后,MindsAI团队领导者Jack Cole也发文进行了祝贺:


很高兴,我们掀起了这场对TTT的兴趣风暴。



同时,Jack还推荐了另一名研究TTT的学者——斯坦福大学华人博士后Yu Sun,表示他的研究值得被关注。



Sun的个人主页显示,他针对测试时训练进行了大量研究,相关成果入选过ICML、NeurIPS、ICLR等多个顶级会议。



论文地址:

https://ekinakyurek.github.io/papers/ttt.pdf


文章来自于微信公众号“量子位”,作者“ 克雷西”


关键词: AI , o1 , 模型训练 , 人工智能
AITNT资源拓展
根据文章内容,系统为您匹配了更有价值的资源信息。内容由AI生成,仅供参考
1
微调

【开源免费】XTuner 是一个高效、灵活、全能的轻量化大模型微调工具库。它帮助开发者提供一个简单易用的平台,可以对大语言模型(LLM)和多模态图文模型(VLM)进行预训练和轻量级微调。XTuner 支持多种微调算法,如 QLoRA、LoRA 和全量参数微调。

项目地址:https://github.com/InternLM/xtuner