SPAR: SELF-PLAY WITH TREE-SEARCH REFINEMENT TO IMPROVE INSTRUCTION-FOLLOWING

本文是LLM系列文章，针对《SPAR: SELF-PLAY WITH TREE-SEARCH REFINEMENT TO IMPROVE INSTRUCTION-FOLLOWING IN LARGE LANGUAGE MODELS》的翻译。

摘要

指令遵循是语言模型的基本能力，要求模型识别指令中最微妙的要求，并在输出中准确反映出来。这种能力非常适合偏好学习，并且经常通过偏好学习进行优化。然而，在创建偏好对时，现有方法通常直接从模型中采样多个独立的响应。这种做法可能会引入与是否准确遵循指令无关的内容变化（例如，关于同一语义的不同表达），干扰指令模型识别导致改进指令遵循的关键差异的目标。有鉴于此，我们引入了SPAR，这是一个自玩框架，集成了树搜索自细化，可以产生有效且可比较的偏好对，不受干扰。通过与自身对抗，LLM采用树搜索策略来优化其先前对指令的响应，同时最大限度地减少不必要的变化。我们的实验表明，在SPAR的指导下，经过三次迭代训练的LLaMA38B模型在IFEval基准上超过了GPT-4-Turbo，而没有失去一般能力。此外，SPAR展示了有前景的可扩展性和可转移性，大大增强了GLM-4-9B和LLaMA3-70B等模型。我们还确定了树搜索中的推理缩放将如何影响模型性能。我们的代码和数据可在以下网址公开获取https://github.com/thu-coai/SPaR.

1 引言

2 方法

3 实验

4 相关工作

5 结论

在这项研究中，我们引入了一种新的自玩框架SPAR，旨在通过使用精炼对进行训练来提高LLM的指令遵循能力。我们发现，与依赖于从模型中采