Can Large Language Models Detect Errors in Long Chain-of-Thought Reasoning?

本文是LLM系列文章，针对《Can Large Language Models Detect Errors in Long Chain-of-Thought Reasoning?》的翻译。

摘要

最近，类似 o1 的模型备受关注，这些模型通过生成冗长的思维链（CoT）推理步骤来提升现有大语言模型（LLMs）的推理能力。在本文中，为了理解这些长思维链的质量，并衡量现有大语言模型对这些长思维链的批判能力，我们引入了 DeltaBench。它包含了不同类似 o1 的模型（如 QwQ、DeepSeek - R1）针对不同推理任务（如数学、代码、通用推理）生成的长思维链，用于衡量在长思维链推理中检测错误的能力。基于 DeltaBench，我们首先对生成的长思维链进行了细粒度分析，以探究不同类似 o1 模型的有效性和效率。然后，我们对现有的过程奖励模型（PRMs）和批判模型进行了广泛评估，以检测每个注释过程中的错误，旨在研究现有过程奖励模型和批判模型的界限与局限性。最后，我们希望 DeltaBench 能够帮助开发者更好地理解他们模型的长思维链推理能力。

引言