大型语言模型可以说是现代自然语言处理技术的基石了，比如1750亿参数的GPT-3，5400亿参数的PaLM，预训练模型为下游任务提供了非常强大的few-shot learning的能力。
但推理任务仍然是一个难关，尤其是需要多步骤推理才能得到正确答案的问题。
最近有研究人员发现，只要设计合适的prompt就能引导模型进行多步骤的推理来生成最终答案，这种方法也称为思维链（chain-of-thought）推理。
思维链技术在算术基准GSM8K上将准确率从17.9%提升到了58.1%，后来引入的投票自洽（self-consistency）机制进一步将准确率提升到74.4%
简单来说，复杂的推理任务通常有多个能得到正确答案的推理路径，自洽方法通过思维链从语言模型中采样一组不同的推理路径，然后返回其中最自洽的答案。
最近，来自北大和微软的研究人员基于自洽的新方法DiVeRSe，包含三个主要的创新点，进一步提升了模型的推理能力。
论文链接：https://arxiv.org/abs/2206.02336
代码链接：https://github.com/microsoft/DiVeRSe
第一，受到自洽方式「想法不同，答案相同」的启发，即从语言模型中采样不同的推理路径，DiVeRSe在多样性上更进一步，按照「条条大路通罗马」的理念，使用多个prompt生成答案，能够生成更完整、互补的答案。
研究人员首先对每个问题提供5个不同的prompts，然后对每个prompt采样出20个推理路径，最后就可以对每个问题生成100个解答推理路径。
一个关键的问题是如何获取不同的prompt，假定已经获取一个样例库后，我们可以从中采样K个样例来构造一个prompt，然后重复5次即可
如果没有足够的样例，则采用self-teaching的方式提升prompt多样性，即从一部分样例中生成伪推理路径和<问题，答案>对。
第二，在生成推理路径时，语言模型中并不存在一种机制来纠正先前步骤中的错误，可能会导致最终预测结果的混乱。DiVeRSe借鉴verifier的思想，对每个推理路径的正确性进行验证来引导投票机制。也就是说，并非所有的推理机制都是相等重要的或都是好的。
假设我们对一个问题有100条推理路径，其中60条的结果为「答案是110」，而40条路径的结果为「答案是150」。如果没有验证器（即原始自洽方法），「答案是110」为多数票，所以我们可以将110视为最终答案，并删除结果为150的40条推理路径。
verifier则是对推理路径进行打分，函数f由一个二分类器训练得到，输入为问题x，路径z和答案y，输出为positive的概率。
有verifier后，假设「答案是110」的60条推理路径的平均得分是0.3；「答案是150」的40条推理路径的平均得分是0.8。 那么最终的答案应该是150，因为40*0.8>60*0.3
第三，由于答案是基于多个步骤的推理而产生的，当一个路径生成一个正确的答案时，可以认为所有的步骤都对最终的正确性做出了贡献。然而，当生成一个错误的答案时，这并不意味着所有的步骤都是错误的或对错误有贡献。
换句话说，尽管结果错了，中间一些步骤可能仍然是正确的，但一些后续的偏离方向的步骤导致了最终的错误答案。DiVeRSe设计了一个机制，为每个步骤分配一个细粒度的标签，并提出了一个step-aware的验证器，并将正确性分配到每个步骤的推理上，而非只看最终的答案。
主体仍然是一个二分类器，但关键的问题为如何获得step-level的负标签，因为如果最终的答案错误，没有人工的参与，我们并不知道哪步出错，而正确的答案则过程应该都是正确的。
研究人员提出supports的概念，比如在算术任务中，需要有另外一个样例的中间结果和该中间步骤的结果相同。
基于这三点改进，研究人员在5个算数推理数据集上进行实验，可以看到在基于code-davinci-002的DiVeRSe方法都取得了新的SOTA算法，平均的提升率为6.2%
在两个常识推理任务上，DiVeRSe的性能略低于基于PaLM的自洽（-2.2%），推测原因可能是常识推理任务是多项选择任务，而不是开放性的生成任务，导致了出现了更多false-positive的伪例证。
在归纳推理任务上，DiVeRSe在CLUTRR任务上取得了95.9%的成绩，超过了之前SOTA的微调结果（+28.9%）
在消融实验中，可以看到voting verifier机制对性能的提升是比较明显的。
而在大多数实验中，将voting verifier扩展为step-aware版本可以带来性能的提升。对于GSM8K上的code-davinci-002，step-aware版本的verifier则会导致性能略有下降。
可能的原因为code-davinci-002更强大，可以为GSM8K产生更高质量的推理路径，从而减少步骤级信息的必要性，即text-davinci更容易生成短/不完整的推理路径，而code-davinci对生成长内容更友好。
论文的第一作者为Yifei Li，于2020年本科毕业于东北大学软件工程专业，目前硕士就读于北京大学，主要研究方向为自然语言处理，特别是大规模语言模型中的prompt-tuning和推理。
文章的第二作者为Zeqi Lin，为微软亚洲研究院DKI研究员，分别于2014年和2019年获得北京大学的学士和博士学位，主要研究方向为机器学习及其在软件分析和数据分析中的应用。
© 版权声明
文章版权归作者所有，未经允许请勿转载。
