對標GPT-4代碼解釋器！港中大讓模型寫代碼解決數學難題，得分超越GPT-4

　　本文來自于微信公眾號 量子位 (ID:QbitAI)，作者:豐色。

　　對標GPT-4代碼解釋器，港中大最新研究放了個“大招”:

　　他們開發(fā)了一個叫做MathCoder的大模型，數學能力直接在競賽級“題庫”Math上超過GPT-4。

　　做到這一點靠的就是無縫集成代碼的能力——

　　在遇到數學問題時，它不僅能用自然語言推理，還能自動編寫和執(zhí)行代碼來建模、推導公式與方程。

　　這樣的工作方式無疑和強大的GPT-4代碼解釋器一樣。

　　在實際評測中，MathCoder除了超過GPT-4，還順利在MATH和GSM8K兩大數據集上取得了開源LLM中的SOTA(打敗了8月份才誕生的WizardMath)

　　這個“新王”究竟是如何誕生的?對標GPT-4代碼解釋器

　　總的來看，港大這項研究為了提高大模型的數學推理能力，學習了GPT-4代碼解釋器的優(yōu)點和工作原理，提出了一種微調開源語言模型的方法。

　　該方法最終使大模型無縫集成代碼，利用代碼來解決數學問題。

　　具體而言，他們首先提出了一個可以生成高質量數學題的數據集:MathCodeInstruct。

　　該數據集由兩部分組成:

　　種子數據(D0):主要基于GSM8K和MATH，并利用GPT-4收集答案。

　　插值數據(D1):讓GPT-4基于他們提出的一種叫做“問題插值提示”的方法生成。

　　如下圖所示:

　　示例1和2分別來自于GSM8K和MATH，1簡單，2難一些，GPT-4要做的“插值”就是生成比1難但比2更簡單的新問題。

　　基于以上兩類問題，最終MathCodeInstruct數據集一共收集了8萬道數學題。

　　如下表所示，這比業(yè)內其他數據集規(guī)模稍小一些:

　　而與其他數據集相比，它的特點之一是同時彌補了GSM8K和MATH這兩大重要數據集中不足的部分，給出了一些難度范圍更廣的問題，增強了數據集的泛化能力。

　　特點之二是數據集中的每道題目同時包含基于自然語言推理的部分+基于代碼解決的部分(包括執(zhí)行代碼和代碼輸出結果)。

　　如下圖所示，這是對上面GPT-4生成的“插值”問題的解決思路:

　　在數據集準備好以后，團隊便提出了一種定制的監(jiān)督微調和推理方法，最終在Llama-2和Code Llama上微調出了MathCoder。

　　具體而言，該方法使用特殊的token(<|text|>、<|code|>、<|execution|>)來識別訓練數據集中哪一部分是自然語言、代碼還是結果，讓模型學習生成由這些特殊標記劃分的自然語言和代碼。

　　在推理期間，該方法還會將動態(tài)執(zhí)行的結果附加到模型的先前預測中。

　　然后，繼續(xù)基于這個新版本的輸入自回歸預測下一個token，以及最后的執(zhí)行結果。

　　作者表示，通過這種方式，模型將能夠“看到”執(zhí)行結果，并不斷地繼續(xù)推理。

　　最終，該方法使微調模型MathCoder以類似GPT-4代碼解釋器的方式運行。

　　在評測中，MathCoder憑此直接在MATH和GSM8K這倆數據集上取得了45.2%和83.9%的好成績。

　　該成績證明:

　　其一，它超過了ChatGPT-3.5和PaLM-2等9個閉源模型，并在以數學競賽題為主的MATH集上超過GPT-4。

　　其二，它打敗了此前數學領域里最強的開源模型WizardMath，成為新的開源之最。

　　不過其三，模仿但還未超越，在這倆數據集上，MathCoder還是與GPT-4代碼解釋器(69.7%和97%高分)存在著一定的性能差距。 作者介紹

　　本研究一共10位作者，除了兩位來自香港城市大學以外，其余均來自香港中文大學。

　　共同一作一共有6位，分別是:Ke Wang、Houxing Ren、Aojun Zhou、Zimu Lu、Sichun Luo和Weikang Shi。

　　通訊作者為李鴻升，為港中大電子工程系副教授，同時也就職于上海人工智能研究室。