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。