推動大模型自我進化，北理工推出「流星雨計劃」
本文將介紹來自北京理工大學計算機科學與技術學院的流星雨研究計劃。該計劃旨在深入研究大模型自我進化的理論與方法，推動大模型的發展。
在人類個體能力提升過程中，當其具備了基本的技能之後，會自主地與環境和自身頻繁交互，並從中獲取經驗予以改進。大模型自我進化研究之所以重要，正是源於該思想，並且更傾向於探究大模型自身能力的深度挖掘和擴展。基於這一趨勢，北京理工大學 DIRECT LAB 正式啓動了「大模型自我進化」的流星雨研究計劃。這篇文章以代碼大模型和垂域大模型進化爲例，逐步介紹流星雨計劃。
SRA-MCTS：推動代碼大模型自我進化
代碼大模型應用範圍廣、影響大，如何提升其表現，一直備受業內外關注。在一項最新的研究中，來自北京理工大學的研究者提出了一種全新的思路 ——SRA-MCTS，旨在通過自我進化的方式，解決代碼模型在處理複雜問題時缺少中間推理過程。
核心觀點：自我進化的力量
跟隨上述自我進化的思想，在 SRA-MCTS（Self-guided MCTS-based data generation for Reasoning Augmentation）方法中，作者無需藉助額外的任何監督信號、完全通過模型自身來進行推理路徑生成，並進一步迭代大模型的能力。通過這個過程，模型能夠自主地生成高質量的推理路徑，並將這些路徑轉化爲可執行代碼，進而提升在複雜任務上的成功率。
整個過程不僅增強了模型的推理能力，還通過自我反饋和反思提升瞭解決複雜任務的成功率。實驗表明，即使在小規模模型中，SRA-MCTS 也能顯著提升任務處理能力，特別是在多樣性和解決複雜問題的能力上。
突出貢獻與顯著成就：
工作思想與實現方式
該方法核心在於將推理過程和數據生成緊密結合，通過 SRA-MCTS 引導模型自主生成推理路徑。這不僅穩定了分析的準確性下限，還爲模型提供了一個無需外部監督的自我改進機制。實驗結果表明，即使在傳統的思維鏈（CoT）方法表現退化時，SRA-MCTS 依然能夠穩定並有效地提升模型的性能，尤其在「pass@10」等多樣性指標上表現出色。
1. 數據合成 - SRA-MCTS：
下面的示例展示了中間推理步驟，以及基於推理所生成的代碼過程：
from collections import deque, defaultdict
def topological_sort(graph):
# Step 1: 計算每個節點的入度
in_degree = {node: 0 for node in graph}
for node in graph:
for neighbor in graph[node]:
in_degree[neighbor] += 1
# Step 2: 將所有入度爲 0 的節點加入隊列
queue = deque([node for node in in_degree if in_degree[node] == 0])
# Step 3: 初始化結果列表
topo_order = []
# Step 4: 處理隊列中的節點
while queue:
node = queue.popleft()
topo_order.append(node)
# 更新鄰接節點的入度
for neighbor in graph[node]:
in_degree[neighbor] -= 1
if in_degree[neighbor] == 0:
queue.append(neighbor)
# Step 5: 檢查是否存在環
if len(topo_order) == len(graph):
return topo_order
else:
raise ValueError("Graph contains a cycle, topological sorting is not possible.")
上面的工作是代碼模型的自主推理能力。作者表示，他們期待探究更通用化的自我進化框架和方法，使其在各種場景中都可以被廣泛使用。
流星雨計劃
該計劃提出一個由弱到強的進化框架來引導大模型自我進化的整體流程，方法如下圖所示：
該流程提供了一整套從無領域能力進化成領域專家模型的自我進化訓練方案，包含三個關鍵階段：
第一階段：導師監督學習
知識蒸餾是一種有效的獲取領域知識的手段。然而作者發現，強模型與弱模型之間存在認知偏差，導致從強模型中蒸餾下來的領域數據無法高效作用於弱模型。
作者提出了 weak-to-strong 的領域數據蒸餾方法，讓強模型根據弱模型的指導蒸餾領域數據。具體的，當有一個領域問題時，他們首先將該問題輸入弱模型，但不讓其直接生成答案，而是生成一段 guideline。這段 guideline 指示弱模型認爲應該遵循哪些步驟來回答領域問題。接下來，他們將生成的 guideline 與領域問題一起輸入強模型。強模型根據 guideline 的指導步驟生成領域問題的答案，或在 guideline 的基礎上進行修正並生成答案。
第二階段：自我評估能力習得
經過蒸餾後的領域數據訓練的模型能夠完成一定的領域任務，但經過分析，該模型還可能產生大量錯誤信息或幻覺信息，並且無法進行自我糾正。因此，作者提出要在這一階段通過更強模型的反饋來糾正模型內部的錯誤知識，進一步提升模型領域性能。
他們參考 StaR [1] 迭代式訓練的方法，讓模型首先對領域問題進行作答，並由 GPT-4 給予答案反饋。如果模型的答案是錯誤的，GPT-4 會將修改建議連同前一輪的答案重新返回給模型，讓模型重新作答，直至模型產生正確的答案。整個過程的數據會被保存下來迭代式地訓練模型，使得模型的領域能力不斷提升。
第三階段：自我提升訓練
作者希望模型在最終的領域能力進化過程中能夠擺脫對強模型的依賴，實現完全的領域能力自我進化。因此，在模型具有完成自我批判的能力後，他們嘗試讓模型進行自我進化。
受到在推理過程中增加 FLOPs 可以有效提升模型在下游任務中的性能的啓發，他們認爲不同的推理策略會產生不同的效果。他們希望模型生成的結果儘可能接近高 FLOPs 推理策略的結果，遠離低 FLOPs 策略的結果。他們使用 beam search 作爲高 FLOPs 策略，greedy search 作爲低 FLOPs 策略，通過對比學習構建模型的自我訓練方法，實現模型的自我進化。
性能分析
作者對比了應用 Meteor 進化方法後 LLM 前後各維度的性能變化。在準確性、完整性、相關性、連貫性和可靠性方面，LLaMA3-8B-Instruct 和 Qwen2-7B-Instruct 取得了性能的提升（評估方法：通過 GPT-4 篩選進化前和進化後答案的 win rate）。
未來工作
該工作初步探索和嘗試了模型進化的整體框架和每個階段的對應方法，並有了一些初步的結論。未來，作者將在該想法的基礎上，在每個階段中創新更適用的模型自我進化方法，實現模型在各個階段都能獲得預期的性能提升，並在更多不同的場景中探索 Meteor 的適用性，推廣流星雨計劃。
作者表示，DIRECT LAB 期待與更多對大模型進化感興趣的學者和業界同仁攜手合作，共同推進這一重要領域的探索與突破。實驗室相關研究的代碼和數據已公開，歡迎大家訪問：https://github.com/DIRECT-BIT
參考文獻：
[1] star: self-taught reasoner bootstrapping reasoning with reasoning