谷歌DeepMind展示GenRM技術(shù)：微調(diào)LLMs作為獎(jiǎng)勵(lì)模型，提升生成式AI推理能力

　　谷歌 DeepMind 團(tuán)隊(duì)于 8 月 27 日在 arxiv 上發(fā)表論文，介紹展示了 GenRM 生成式驗(yàn)證器，創(chuàng)造性提出獎(jiǎng)勵(lì)模型，從而提升生成式 AI 推理能力。

　　AI 行業(yè)內(nèi)，目前提高大語(yǔ)言模型(LLMs)的主流做法就是 Best-of-N 模式，即由 LLM 生成的 N 個(gè)候選解決方案由驗(yàn)證器進(jìn)行排序，并選出最佳方案。

　　這種基于 LLM 的驗(yàn)證器通常被訓(xùn)練成判別分類(lèi)器來(lái)為解決方案打分，但它們無(wú)法利用預(yù)訓(xùn)練 LLMs 的文本生成能力。

　　DeepMind 團(tuán)隊(duì)為了克服這個(gè)局限性，嘗試使用下一個(gè) token 預(yù)測(cè)目標(biāo)來(lái)訓(xùn)練驗(yàn)證器，同時(shí)進(jìn)行驗(yàn)證和解決方案生成。

　　DeepMind 團(tuán)隊(duì)這種生成式驗(yàn)證器(GenRM)，相比較傳統(tǒng)驗(yàn)證器，主要包含以下優(yōu)點(diǎn)：

　　無(wú)縫集成指令調(diào)整

　　支持思維鏈推理

　　通過(guò)多數(shù)投票利用額外的推理時(shí)間計(jì)算

　　在算法和小學(xué)數(shù)學(xué)推理任務(wù)中使用基于 Gemma 的驗(yàn)證器時(shí)，GenRM 的性能優(yōu)于判別式驗(yàn)證器和 LLM-as-a-Judge 驗(yàn)證器，在使用 Best-of-N 解決問(wèn)題的百分比上提高了 16-64%。

　　據(jù) Google DeepMind 報(bào)道，GenRM 相對(duì)于分類(lèi)獎(jiǎng)勵(lì)模型的邊標(biāo)志著人工智能獎(jiǎng)勵(lì)系統(tǒng)的關(guān)鍵演化，特別是在其容量方面，以防止新模型學(xué)成到的欺詐行為。這一進(jìn)步突出表明，迫切需要完善獎(jiǎng)勵(lì)模型，使人工智能輸出與社會(huì)責(zé)任標(biāo)準(zhǔn)保持一致。