文章标签:WizardMath, 大模型, 数学能力, 基准测试
编辑：陈萍
有了这项研究，大模型的数学能力更强了。
上周，微软与中国科学院联合发布的 WizardMath 大模型火了。
该模型有 70B、13B、7B 三个参数规模，研究者在两个数学推理基准 GSM8k 和 MATH 上的测试表明，WizardMath 优于所有其他开源 LLM，达到 SOTA。
在GSM8K平台上，WizardMath-70B-V1.0模型的表现相较于部分开源的LLM（如ChatGPT 3.5、Claude Instant 1以及PaLM 2 540B）而言，略有优势。
WizardMath-70B-V1.0模型在GSM8k基准测试中取得了令人瞩目的成绩,达到了81.6 pass@1的水平,这使得它比SOTA开源LLM高出24.8分。这一表现充分展示了该模型的卓越性能,值得进一步的研究和应用。
WizardMath-70B-V1.0模型在MATH基准测试中取得了22.7 pass@1的成绩,比SOTA开源LLM高出9.2分。
GSM8k数据集是大型数学问题数据集之一，它包含了约7500个训练样本和1319个测试数据。这个数据集主要针对小学生的数学教育，其题目涵盖了基本的算术运算（加、减、乘、除）等方面，通常需要2到8步的计算过程才能得出正确答案。另一方面，MATH数据集则来自于一些著名的数学竞赛，如AMC10、AMC12以及AIME等。这个数据集包含了7500个训练样本和5000个具有挑战性的测试数据。这些题目涵盖了初等代数、代数、数论、几何、微积分等多个数学领域。
如下图所示，WizardMath在GSM8k基准测试中名列第五，超越了Claude Instant 1（81.6 vs. 80.9）、ChatGPT（81.6 vs. 80.8）以及PaLM 2 540B（81.6 vs. 80.7）。值得关注的是，相较于这些模型，WizardMath模型的体积要小得多。
Hugging Face 现已发布三个版本，分别为 7B、13B 和 70B 参数。与此同时，相应的论文已对外公开。
方法介绍
这项研究提出了一种名为Reinforced Evol-Instruct的方法，如图1所示，该方法主要分为三个步骤：首先，进行监督微调；其次，训练指令奖励模型和过程监督奖励模型；最后，采用Active Evol-Instruct和PPO进行训练。
监督微调：继 InstructGPT 之后，该研究还使用了监督指令 – 响应对进行微调，其中包含：
为确保各步骤解析更为直观，本研究采用Alpha版WizardLM 70B（经过微调的LLaMA模型）对GSM8k与MATH进行15k个答案的重生，采取分步方式生成解答，进而确定正确答案，最后利用这些数据对基础Llama模型进行微调。
该研究还从 WizardLM 的训练数据中采样了 1.5k 个开放域对话，然后将其与上述数学语料库合并作为最终的 SFT （ supervised fine-tuning ）训练数据。
Evol-Instruct 原则：受 WiazrdLM 提出的 Evol-Instruct 方法及其在 WizardCoder 上有效应用的启发，该研究试图制作具有各种复杂性和多样性的数学指令，以增强预训练 LLM。具体来说：
向下进化：首先是增强指令，通过使问题变得更加容易来实现。例如，i)：将高难度问题转化为较低难度，或 ii) 用另一个不同主题制作一个新的更简单的问题。
向上进化：源自原始的 Evol-Instruct 方法，通过 i）添加更多约束，ii）具体化，iii）增加推理来深化并产生新的更难的问题。
Reinforced Evol-Instruct ：受 InstructGPT 和 PRMs 的启发，该研究训练了两个奖励模型，分别用来预测指令的质量和答案中每一步的正确性。
实验及结果
该研究主要在 GSM8k 和 MATH 这两个常见的数学基准上测试了模型的性能，并使用大量基线模型，包括闭源模型：OpenAI 的 GPT-3、GPT-3.5、ChatGPT、GPT-4，谷歌的 PaLM 2、PaLM、 Minerva，Anthropic 的 Claude Instant、Claude 1.3、Claude 2， DeepMind 的 Chinchilla；开源模型：Llama 1、Llama 2、GAL、GPT-J、GPT-Neo、Vicuna、MPT、Falcon、Baichuan、ChatGLM、Qwen 和 RFT。
与闭源模型的比较。在表 1 中，WizardMath 70B 稍微优于 GSM8k 上的一些闭源 LLM，包括 ChatGPT、Claude Instant 和 PaLM 2 540B。
如图 2 所示（见上文），WizardMath 目前在所有模型上排名前五。同时，WizardMath 70B 在 MATH 上也超越了 Text-davinci-002。详细结果如下：
WizardMath 13B 在 GSM8k 上优于 PaLM 1 540B（63.9 vs 56.5）、Minerva 540B（63.9 vs 58.8）和 GPT-3.5（63.9 vs 57.1）。同时，它在 MATH 上超越了 PaLM 1 540B（14.0 vs. 8.8）、GPT-3 175B（14.0 vs. 5.2）。
WizardMath 70B 在 GSM8k 上实现了与 Claude Instant（81.6 vs 80.9）、ChatGPT（81.6 vs 80.8）和 PaLM 2（81.6 vs 80.7）更好或相当的性能。同时，WizardMath 70B 在 MATH 基准测试中也超过了 Text-davinci-002（22.7 比 19.1）。
与开源模型的比较。表 1 中所示的结果表明，WizardMath 70B 在 GSM8k 和 MATH 基准测试中明显优于所有开源模型。详细结果如下：
WizardMath 7B 超越了大多数开源模型，这些模型的参数数量约为 7B 到 40B 不等，包括 MPT、Falcon、Baichuan-chat、Vicuna v1.3、ChatGLM 2、Qwen、Llama 1 和 Llama 2 。尽管它的参数数量要少得多。
WizardMath 13B 在 GSM8k 上明显优于 Llama 1 65B（63.9 vs. 50.9）和 Llama 2 70B（63.9 vs. 56.8）。此外，它在 MATH 上的表现远远优于 Llama 1 65B（14.0 vs. 10.6）和 Llama 2 70B（14.0 vs. 13.5）。
WizardMath 70B 在 GSM8k 上超越了 Llama 2 70B（81.6 比 56.8），提升达到 24.8%。同时，它在数学方面也比 Llama 2 70B（22.7 比 13.5）高出 9.2%。
表 2 显示了 WizardMath 70B 模型在 MATH Subtopics上的结果。
© THE END
WizardMath, 大模型, 数学能力, 基准测试
