Smaller, Weaker, Yet Better: Training LLM Reasoners via Compute-Optimal Sampling

本文是LLM系列文章，针对《Smaller, Weaker, Yet Better: Training LLM Reasoners via Compute-Optimal Sampling》的翻译。

摘要

从强语言模型（LM）中训练高质量的合成数据是提高LM推理性能的常见策略。在这项工作中，我们重新审视了这种策略在固定推理预算（例如FLOP）下是否是计算最优的。为此，我们研究了使用更强但更昂贵的（SE）模型与较弱但更便宜的（WC）模型生成合成数据之间的权衡。我们评估了三个关键指标的生成数据：覆盖率、多样性和假阳性率，并表明来自WC模型的数据可能具有更高的覆盖率和多样性，但也表现出更高的假阳性率。然后，我们在不同设置下对SE和WC模型的数据进行微调：知识蒸馏、自我提升和一种新颖的弱到强的改进设置，其中较弱的LM向较强的LM教授推理。我们的研究结果表明，在WC生成的数据上进行微调的模型在多个基准和WC和SE模型的多种选择上始终优于在SE生成的数据中训练的模型。这些结果挑战了目前依赖SE模型生成合成数据的做法，表明WC可能是训练高级LM推理机的计算最优方法。

1 引言

2 前言

3 计算匹配采样和序列

4 实验设置

5 实验结果

6 扩展到最先进的语言模型

7 未来展望