o1不是唯一路徑！MIT新研究：在測試時訓練，模型推理能力最高升至5.8倍

克雷西 2024-11-12 15:09:29 來源：量子位

克雷西 發(fā)自 凹非寺

量子位 | 公眾號 QbitAI

o1不是通向大模型推理的唯一路徑！

MIT的新研究發(fā)現(xiàn)，在測試時對大模型進行訓練，可以讓推理水平大幅提升。

在挑戰(zhàn)超難的ARC任務時，準確率最高可提升至原來的5.83倍。

這樣的表現(xiàn)不僅優(yōu)于GPT-4和Claude，如果與其他推理方法相結合，還能超越人類的平均水準。

OpenAI o1團隊成員Noam Brown表示，o1的大規(guī)模計算可能不是最好的方法，很高興看到有學者在提高推理能力上探索新的方法。

在測試中訓練模型

不同于傳統(tǒng)的先訓練后測試模式，測試時訓練（Test-Time Training，TTT）在部署階段面對新的測試樣本時，不直接用訓練好的模型去推理。

在推理之前，測試樣本自身攜帶的信息，會通過快速的訓練過程被用于調(diào)整模型參數(shù)。

總體來說，TTT過程中一共有三個關鍵階段——訓練數(shù)據(jù)生成、模型適應范式設計以及推理階段的策略。

數(shù)據(jù)生成的核心是將測試任務中蘊含的輸入輸出對關系，通過數(shù)據(jù)增強的方式最大限度地利用，可具體分為兩個步驟。

首先是基于leave-one-out構造新的任務。

對于包含K個輸入輸出對的測試任務，依次將每個樣本留出作為測試樣本，其余K-1個作為訓練樣本,由此構造出K個新的TTT訓練任務。

這樣就可以從一個測試任務出發(fā)，構造出K個結構一致但內(nèi)容互補的新任務，從而擴充了TTT訓練數(shù)據(jù)。

在此基礎上，作者還進行了數(shù)據(jù)增強，主要包括對輸入輸出施加各類幾何變換，以及打亂訓練樣本對的順序。

經(jīng)過這一步，TTT訓練集的規(guī)?？梢缘玫斤@著擴大。

整個TTT數(shù)據(jù)構造過程可高度自動化，不依賴人工標注。

利用構造好的TTT數(shù)據(jù)集，就可以對預訓練好的語言模型進行測試時訓練。

考慮到測試時的資源限制，作者采用了參數(shù)高效的LoRA，為每個測試任務學習一組獨立的adapter參數(shù)，附加在預訓練模型的每一層之上，通過一個低秩矩陣與原始權重相乘起到調(diào)節(jié)作用。

過程中還額外加入了對所有前綴序列的預測，目的是通過在各種長度的演示樣本上都計算損失，鼓勵模型盡早地從少量信息中總結出抽象規(guī)律，從而提高魯棒性。

最后，為了實現(xiàn)TTT效果的最大化，作者在推理階段應用了數(shù)據(jù)增強和集成學習策略。

推理過程中，先利用一系列預定義的幾何變換算子（如旋轉(zhuǎn)、翻轉(zhuǎn)等）擴充原始輸入，生成若干等價視角下的輸入變體。

之后將每個變體輸入并行地送入LoRA-tuned模型，獨立完成預測，然后再對齊和還原到原始輸入空間，由此得到一組成對的預測。

在成對預測的基礎上，通過分兩層投票的方式完成集成融合：

• 第一層在每種變換內(nèi)部進行投票，選出置信度最高的Top-3個預測;
• 第二層在不同變換的Top-3預測之間進行全局投票，選出最終的Top-2作為輸出。

這一推理策略，既通過數(shù)據(jù)增強引入了輸入的多樣性，又用分層投票的方式對不同來源的預測進行了結構化的組合，進一步提升了TTT方法的效果。

ARC任務準確率最高升至6倍

為了評估TTT方法的效果，研究團隊以8B參數(shù)的GPT-3作為基礎模型進行了測試。

如果不使用TTT僅進行微調(diào)，模型在ARC數(shù)據(jù)集上的準確率只有18.3%，加入TTT后提升到47.1%，增長率達到了157%。

另外，作者還從ARC數(shù)據(jù)集中隨機選擇了80個任務作為子集進行了測試。

測試發(fā)現(xiàn)，TTT方法對于1B模型的提升效果更加明顯，調(diào)整后模型的準確率接近調(diào)整前的6倍。

并且在調(diào)整前后，1B和8B兩個規(guī)模的模型之間的相對差距也在縮小。

進一步地，作者還將TTT方法與之前在ARC任務上取得優(yōu)異成績的BARC（Bootstrapping Approach for Reward model Construction）方法進行了比較和結合。

具體來說，作者首先獨立運行這兩個系統(tǒng)，得到它們在每個測試任務上的輸出。

如果兩者輸出完全一致，則直接認為推理結果是正確的；

如果輸出不一致，則看BARC是否能夠生成確定的、唯一覆蓋所有測試樣本的解題程序，若是則認為BARC的輸出更可靠；

反之，如果BARC生成了多個候選程序但無法確定最優(yōu)解，或者干脆無法生成任何滿足約束的程序，則認為TTT的輸出更可靠。

兩種方式配合使用后，取得了61.9%的SOTA成績，已經(jīng)超過了人類的平均水平。

One More Thing

根據(jù)作者在推文中的介紹，在這篇論文發(fā)布前，一個叫做MindsAI的團隊已經(jīng)發(fā)現(xiàn)使用了相同的技術。

利用TTT技術，該團隊已經(jīng)用58%的正確率取得了ARC挑戰(zhàn)的第一名。

作者的論文發(fā)布之后，MindsAI團隊領導者Jack Cole也發(fā)文進行了祝賀：

很高興，我們掀起了這場對TTT的興趣風暴。

同時，Jack還推薦了另一名研究TTT的學者——斯坦福大學華人博士后Yu Sun，表示他的研究值得被關注。

Sun的個人主頁顯示，他針對測試時訓練進行了大量研究，相關成果入選過ICML、NeurIPS、ICLR等多個頂級會議。

論文地址：
https://ekinakyurek.github.io/papers/ttt.pdf