Fugu-MT 論文翻訳(概要): S$^2$R: Teaching LLMs to Self-verify and Self-correct via Reinforcement Learning

論文の概要: S$^2$R: Teaching LLMs to Self-verify and Self-correct via Reinforcement Learning

arxiv url: http://arxiv.org/abs/2502.12853v1
Date: Tue, 18 Feb 2025 13:40:22 GMT
ステータス: 翻訳完了
システム内更新日: 2025-02-19 14:08:21.773252
Title: S$^2$R: Teaching LLMs to Self-verify and Self-correct via Reinforcement Learning
Title（参考訳）: S$2$R:強化学習による自己検証と自己正当性教育
Authors: Ruotian Ma, Peisong Wang, Cheng Liu, Xingyan Liu, Jiaqi Chen, Bang Zhang, Xin Zhou, Nan Du, Jia Li,
Abstract要約: S$2$Rはモデルに推論時の自己検証と自己正当性を教えることによってLLM推論を強化する効率的なフレームワークである。以上の結果から,Qwen2.5-math-7Bの精度は51.0%から81.6%に向上した。
参考スコア（独自算出の注目度）: 51.84977135926156
License:
Abstract: Recent studies have demonstrated the effectiveness of LLM test-time scaling. However, existing approaches to incentivize LLMs' deep thinking abilities generally require large-scale data or significant training efforts. Meanwhile, it remains unclear how to improve the thinking abilities of less powerful base models. In this work, we introduce S$^2$R, an efficient framework that enhances LLM reasoning by teaching models to self-verify and self-correct during inference. Specifically, we first initialize LLMs with iterative self-verification and self-correction behaviors through supervised fine-tuning on carefully curated data. The self-verification and self-correction skills are then further strengthened by both outcome-level and process-level reinforcement learning, with minimized resource requirements, enabling the model to adaptively refine its reasoning process during inference. Our results demonstrate that, with only 3.1k self-verifying and self-correcting behavior initialization samples, Qwen2.5-math-7B achieves an accuracy improvement from 51.0\% to 81.6\%, outperforming models trained on an equivalent amount of long-CoT distilled data. Extensive experiments and analysis based on three base models across both in-domain and out-of-domain benchmarks validate the effectiveness of S$^2$R. Our code and data are available at https://github.com/NineAbyss/S2R.
Abstract（参考訳）: 近年,LLM試験時間スケーリングの有効性が実証されている。しかし、LLMの深い思考能力にインセンティブを与える既存のアプローチは、一般的に大規模なデータや重要なトレーニング努力を必要とする。一方、低消費電力のベースモデルの思考能力をどのように改善するかは、まだ不明である。本研究では,モデルに推論時の自己検証と自己正当性を教えることによって,LLM推論を強化する効率的なフレームワークであるS$^2$Rを紹介する。具体的には、厳密なキュレートされたデータに対して教師付き微調整を行うことで、反復的な自己検証と自己補正の振る舞いでLSMを初期化する。自己検証と自己補正のスキルは、結果レベルの強化学習とプロセスレベルの強化学習によってさらに強化され、リソース要件の最小化により、推論中の推論プロセスを適応的に改善することができる。以上の結果から,Qwen2.5-math-7Bは,3.1kの自己検証および自己補正行動初期化サンプルのみを用いて,51.0\%から81.6\%の精度向上を実現し,相当量の長いCoT蒸留データに基づいて訓練したモデルより優れた性能を示した。ドメイン内およびドメイン外ベンチマークの3つのベースモデルに基づく大規模な実験と解析により、S$^2$Rの有効性が検証された。私たちのコードとデータはhttps://github.com/NineAbyss/S2R.comで公開されています。

論文の概要: S$^2$R: Teaching LLMs to Self-verify and Self-correct via Reinforcement Learning

関連論文リスト