原標(biāo)題：超越DeepSeek推理，效率更高！斯坦福馬騰宇新作：有限數(shù)據(jù)，無限迭代
文章來源：新智元
內(nèi)容字?jǐn)?shù)：5932字

斯坦福大學(xué)提出自博弈定理證明器STP：解決大型語言模型推理能力瓶頸

大型語言模型（LLM）的推理能力是當(dāng)前自然語言處理領(lǐng)域的核心難題，其主要瓶頸在于缺乏高質(zhì)量的訓(xùn)練數(shù)據(jù)。現(xiàn)有方法如強(qiáng)化學(xué)習(xí)和專家迭代，雖然能夠提升模型推理能力，但存在通過率低、計(jì)算資源浪費(fèi)嚴(yán)重等問題。斯坦福大學(xué)研究人員提出了一種名為自博弈定理證明器（STP）的新方法，有效解決了這些問題。

1. STP的核心思想：模仿數(shù)學(xué)家的學(xué)習(xí)方式

   STP模仿數(shù)學(xué)家學(xué)習(xí)和發(fā)展數(shù)學(xué)的方式，讓模型同時(shí)扮演“猜想者”和“證明者”兩個(gè)角色，通過互相提供訓(xùn)練信號(hào)，在有限的數(shù)據(jù)下實(shí)現(xiàn)無限自我改進(jìn)。猜想者提出新的猜想，證明者嘗試證明，驗(yàn)證器選擇正確的證明用于訓(xùn)練，從而形成一個(gè)閉環(huán)的自我迭代過程。

2. STP的訓(xùn)練流程：五個(gè)步驟

   STP的訓(xùn)練流程包含五個(gè)步驟：1. 使用監(jiān)督微調(diào)（SFT）初始化模型；2. 猜想者生成新的猜想；3. 證明者嘗試證明猜想和未證明命題；4. 驗(yàn)證器驗(yàn)證證明的正確性并分配獎(jiǎng)勵(lì)；5. 基于驗(yàn)證結(jié)果重新訓(xùn)練模型。其中，獎(jiǎng)勵(lì)函數(shù)的設(shè)計(jì)是STP的核心技術(shù)難點(diǎn)，旨在激勵(lì)猜想者生成多樣化、具有挑戰(zhàn)性但可行的猜想。

3. STP的優(yōu)勢(shì)：顯著提升證明成功率和推理速度

   實(shí)驗(yàn)結(jié)果表明，STP在Lean和Isabelle驗(yàn)證器上的表現(xiàn)顯著優(yōu)于現(xiàn)有方法。在LeanWorkbook數(shù)據(jù)集上，STP的證明成功率達(dá)到26.3%，是專家迭代方法的兩倍。在miniF2F-test、ProofNet-test和PutnamBench等公共基準(zhǔn)測(cè)試中，STP也實(shí)現(xiàn)了最先進(jìn)的性能，顯著提升了推理速度。

4. STP的創(chuàng)新點(diǎn)：無限自我改進(jìn)和高效利用數(shù)據(jù)

   STP的核心創(chuàng)新在于其自博弈機(jī)制，它能夠在有限的數(shù)據(jù)集上不斷生成新的猜想和證明，從而實(shí)現(xiàn)無限自我改進(jìn)。這種機(jī)制有效解決了現(xiàn)有方法中數(shù)據(jù)稀缺和計(jì)算資源浪費(fèi)的問題，并能夠逐漸提升猜想和證明的難度。

5. STP的未來展望：推動(dòng)LLM推理能力發(fā)展

   STP為解決LLM推理能力瓶頸提供了一種新的思路，其高效的數(shù)據(jù)利用方式和強(qiáng)大的自我改進(jìn)能力，有望推動(dòng)LLM在數(shù)學(xué)推理等領(lǐng)域的應(yīng)用發(fā)展。未來的研究可以進(jìn)一步探索STP在其他領(lǐng)域（例如，程序驗(yàn)證、知識(shí)圖譜推理）的應(yīng)用，并改進(jìn)獎(jiǎng)勵(lì)函數(shù)設(shè)計(jì)，提升模型的性能和魯棒性。

聯(lián)系作者

文章來源：新智元
作者微信：
作者簡(jiǎn)介：智能+中國(guó)主平臺(tái)，致力于推動(dòng)中國(guó)從互聯(lián)網(wǎng)+邁向智能+新紀(jì)元。重點(diǎn)關(guān)注人工智能、機(jī)器人等前沿領(lǐng)域發(fā)展，關(guān)注人機(jī)融合、人工智能和機(jī)器人對(duì)人類社會(huì)與文明進(jìn)化的影響，領(lǐng)航中國(guó)新智能時(shí)代。