克雷西 发自 凹非寺量子位 | 公众号 QbitAI
《思考快与慢》中人类的两种思考方式，属实是被Meta给玩明白了。
研究人员通过把AI的“慢思考”结果蒸馏进“快思考”，让Llama2表现提升了257%，变得比GPT4还能打，同时还能降低推理成本。
![]()
这里的快慢两种思考方式，指的就是2002年诺贝尔经济学奖得主丹尼尔·卡尼曼推广的系统1和系统2——
简单说，系统1是简单无意识的直觉，速度更快；系统2则是复杂有意识的推理，准确性更强。
Meta所做的“蒸馏”，就是用系统2生成数据，然后对用系统1推理的模型进行微调。
有网友看了后表示，这种模式和人类很像，一旦解决了一个难题，再解决（相似的问题）就变得简单了。
![]()
将系统2蒸馏到系统1
对于大模型而言，模仿人类的“系统2”的方式有很多种，在模型中所处的环节也不尽相同，这里作者一共研究了四种：
CoT，即Chain of Thought，思维链，从提示词入手让模型逐步思考；
S2A，即System 2 Attention，由Meta自己提出，直接修改了模型的注意力机制，屏蔽与任务无关的信息；
RaR，即Rephase and Respond，先对问题进行重新表述，再根据重述后的问题生成答案；
BSM，即Branch-Solve-Merge，将复杂任务分解为多个分支，针对每个分支独立生成评分，再将各个分支的评分综合。
![]()
但从整体流程上看则是殊途同归，各种“系统2方法”都会在未标注数据集上生成推理结果。
在这过程当中，模型会在给出结果的同时生成详细的中间推理步骤，但研究人员只保留最终的输出结果。
然后就得到了输入-系统2输出的数据对，可以视为一种无监督的“伪标签”，将这些数据对收集起来，就形成初步的蒸馏数据集。
当然了，这步得到的数据还不能直接拿来微调系统1模型，需要进行过滤以确保其拥有足够高的质量。
过滤的具体依据，是一致性和鲁棒性。
一致性筛选当中，对每个输入样本，都会用系统2模型采样生成多个输出，然后通过多数投票等方法进行比较，如果大多数都一致，则认为该输出是可靠的；
鲁棒性筛选是对一个输入样本进行适当的扰动，如改变无关细节、调整词序等，然后观察系统2模型在扰动前后的输出是否一致。
筛选后的高质量蒸馏数据，就可以对系统1模型进行无监督微调了。
![]()
微调过程可以看作是一种知识蒸馏，但又与与传统的知识蒸馏不同，这里两种系统使用的是同一个基础模型。
系统1模型的目标是直接学到系统2模型的输出行为，而不是中间的复杂推理过程，在后续推理时也不需要执行系统2的推理步骤，而是直接生成输出。
但从输出质量上来看，表现却能接近系统2模型，也就是实现了系统2能力向系统1的转移。
那么，为什么要专门收集数据去微调系统1模型，而不直接用系统2模型推理呢，作者也给出了解释。
道理其实很简单，从系统2的另一个名字“慢系统”当中，很容易就能看出答案：
因为系统2的速度慢，在实时交互、移动设备部署等场景下，模型的延迟可能是无法接受的。
另外，由于需要输出完整的推理过程，系统2输出的token长度也是系统1的数百倍。
就像开头那位网友说的，系统2把复杂的推理解决了，再将数据喂给系统1，问题对其而言也会变得容易。
从表现上看，这样的模式也确实让系统1模型的表现大幅进步，甚至超过了真·系统2模型。
让Llama2超越GPT-4
针对前面四种不同的系统2方法，研究人员分别使用不同的数据集，在不同的任务上进行了测试。
针对BSM方法，作者采用的数据集是Open Assistant 2和MT-bench，评估了模型作为“评判者”时的表现。
可以看到，在两个数据集中，Llama-2的表现（人类一致性）分别从32.0%和28.1%，提高到了58.4%和72.4%，最高增幅达到了257%，比CoT方法更加有效。
而且，微调后的模型均超过了系统1版的GPT-4，甚至达到了GPT-4配合CoT的水准。
同时（改变选项位置后的）不一致性也大幅降低，而且和系统2相比，Token数量少到几乎可以忽略不计。
![]()
同时针对MT-Bench不同的子类任务，作者也分别分析了各种方法的人类一致性。
![]()
接下来是S2A方法，它主要解决的是模型偏见问题，因此评估时采用了带偏见的TriviaQA任务。
结果蒸馏后的准确率达到81.3%，超过了原始S2A的76%，生成的token数量也从147个减少到了56个。
![]()
RaR的测试目标则是完成一些推理任务，这里作者测试了Last letter concatenation和Coin flip。
在Letter任务中，蒸馏后的系统模型准确率从30%飞升到了98%，也超过了系统1自蒸馏的69.5%，同时也优于原始的RaR方式。
而在Coin flip任务里，蒸馏后的准确率达到 75.69%，也与接近2-步原始RaR的77.2%接近，但生成的token数量大幅减少。
![]()
不足的一点是，CoT的蒸馏效果与另外三种大相径庭，作者发现，在数学推理任务上，CoT的推理能力很难迁移到系统1当中。
在GSM8K数据集上，蒸馏后的模型在k=1时准确率仅为7.13%，k=10时也只有7.35%，甚至不如没蒸馏之前的版本。
![]()
所以，作者认为，接下来的研究目标是进一步明确这种蒸馏的应用场合，找到更类似于人类学习的方式。
论文地址：https://arxiv.org/abs/2407.06023参考链接：https://x.com/emollick/status/1810659417634869610
— 完 —
量子位年度AI主题策划正在征集中！
欢迎投稿专题 一千零一个AI应用，365行AI落地方案
或与我们分享你在寻找的AI产品，或发现的AI新动向
![]()
点这里👇关注我，记得标星哦～
一键三连「分享」、「点赞」和「在看」
科技前沿进展日日相见 ~
![]()
《思考快与慢》中人类的两种思考方式，属实是被Meta给玩明白了。
研究人员通过把AI的“慢思考”结果蒸馏进“快思考”，让Llama2表现提升了257%，变得比GPT4还能打，同时还能降低推理成本。
这里的快慢两种思考方式，指的就是2002年诺贝尔经济学奖得主丹尼尔·卡尼曼推广的系统1和系统2——
简单说，系统1是简单无意识的直觉，速度更快；系统2则是复杂有意识的推理，准确性更强。
Meta所做的“蒸馏”，就是用系统2生成数据，然后对用系统1推理的模型进行微调。
有网友看了后表示，这种模式和人类很像，一旦解决了一个难题，再解决（相似的问题）就变得简单了。
将系统2蒸馏到系统1
对于大模型而言，模仿人类的“系统2”的方式有很多种，在模型中所处的环节也不尽相同，这里作者一共研究了四种：
CoT，即Chain of Thought，思维链，从提示词入手让模型逐步思考；
S2A，即System 2 Attention，由Meta自己提出，直接修改了模型的注意力机制，屏蔽与任务无关的信息；
RaR，即Rephase and Respond，先对问题进行重新表述，再根据重述后的问题生成答案；
BSM，即Branch-Solve-Merge，将复杂任务分解为多个分支，针对每个分支独立生成评分，再将各个分支的评分综合。
但从整体流程上看则是殊途同归，各种“系统2方法”都会在未标注数据集上生成推理结果。
在这过程当中，模型会在给出结果的同时生成详细的中间推理步骤，但研究人员只保留最终的输出结果。
然后就得到了输入-系统2输出的数据对，可以视为一种无监督的“伪标签”，将这些数据对收集起来，就形成初步的蒸馏数据集。
当然了，这步得到的数据还不能直接拿来微调系统1模型，需要进行过滤以确保其拥有足够高的质量。
过滤的具体依据，是一致性和鲁棒性。
一致性筛选当中，对每个输入样本，都会用系统2模型采样生成多个输出，然后通过多数投票等方法进行比较，如果大多数都一致，则认为该输出是可靠的；
鲁棒性筛选是对一个输入样本进行适当的扰动，如改变无关细节、调整词序等，然后观察系统2模型在扰动前后的输出是否一致。
筛选后的高质量蒸馏数据，就可以对系统1模型进行无监督微调了。
微调过程可以看作是一种知识蒸馏，但又与与传统的知识蒸馏不同，这里两种系统使用的是同一个基础模型。
系统1模型的目标是直接学到系统2模型的输出行为，而不是中间的复杂推理过程，在后续推理时也不需要执行系统2的推理步骤，而是直接生成输出。
但从输出质量上来看，表现却能接近系统2模型，也就是实现了系统2能力向系统1的转移。
那么，为什么要专门收集数据去微调系统1模型，而不直接用系统2模型推理呢，作者也给出了解释。
道理其实很简单，从系统2的另一个名字“慢系统”当中，很容易就能看出答案：
因为系统2的速度慢，在实时交互、移动设备部署等场景下，模型的延迟可能是无法接受的。
另外，由于需要输出完整的推理过程，系统2输出的token长度也是系统1的数百倍。
就像开头那位网友说的，系统2把复杂的推理解决了，再将数据喂给系统1，问题对其而言也会变得容易。
从表现上看，这样的模式也确实让系统1模型的表现大幅进步，甚至超过了真·系统2模型。
让Llama2超越GPT-4
针对前面四种不同的系统2方法，研究人员分别使用不同的数据集，在不同的任务上进行了测试。
针对BSM方法，作者采用的数据集是Open Assistant 2和MT-bench，评估了模型作为“评判者”时的表现。
可以看到，在两个数据集中，Llama-2的表现（人类一致性）分别从32.0%和28.1%，提高到了58.4%和72.4%，最高增幅达到了257%，比CoT方法更加有效。
而且，微调后的模型均超过了系统1版的GPT-4，甚至达到了GPT-4配合CoT的水准。
同时（改变选项位置后的）不一致性也大幅降低，而且和系统2相比，Token数量少到几乎可以忽略不计。
同时针对MT-Bench不同的子类任务，作者也分别分析了各种方法的人类一致性。
接下来是S2A方法，它主要解决的是模型偏见问题，因此评估时采用了带偏见的TriviaQA任务。
结果蒸馏后的准确率达到81.3%，超过了原始S2A的76%，生成的token数量也从147个减少到了56个。
RaR的测试目标则是完成一些推理任务，这里作者测试了Last letter concatenation和Coin flip。
在Letter任务中，蒸馏后的系统模型准确率从30%飞升到了98%，也超过了系统1自蒸馏的69.5%，同时也优于原始的RaR方式。
而在Coin flip任务里，蒸馏后的准确率达到 75.69%，也与接近2-步原始RaR的77.2%接近，但生成的token数量大幅减少。
不足的一点是，CoT的蒸馏效果与另外三种大相径庭，作者发现，在数学推理任务上，CoT的推理能力很难迁移到系统1当中。
在GSM8K数据集上，蒸馏后的模型在k=1时准确率仅为7.13%，k=10时也只有7.35%，甚至不如没蒸馏之前的版本。
所以，作者认为，接下来的研究目标是进一步明确这种蒸馏的应用场合，找到更类似于人类学习的方式。
论文地址：https://arxiv.org/abs/2407.06023参考链接：https://x.com/emollick/status/1810659417634869610
— 完 —
量子位年度AI主题策划正在征集中！
欢迎投稿专题 一千零一个AI应用，365行AI落地方案
或与我们分享你在寻找的AI产品，或发现的AI新动向
点这里👇关注我，记得标星哦～
一键三连「分享」、「点赞」和「在看」
科技前沿进展日日相见 ~