rStar-Math – 微软推出的小模型复杂推理与自进化SLMs的创新技术 | AI工具集

rStar-Math是什么

rStar-Math是微软亚洲研究院推出的创新研究项目，基于蒙特卡洛树搜索（MCTS）驱动的深度思考，使小型语言模型（SLMs）在数学推理方面达到甚至超越OpenAI大型模型的水平。rStar-Math不依赖于从更高级模型的数据蒸馏，是用自我进化的深度思考提升模型性能。rStar-Math引入三种创新方法：代码增强的逐步验证推理轨迹合成、基于Q值的过程偏好模型（PPM）训练方法，及四轮自我进化的训练策略。rStar-Math在MATH基准测试中将Qwen2.5-Math-7B的准确率从58.8%提高到90.0%，在AIME 2024测试中平均解决53.3%的问题，超越OpenAI的o1-preview模型。rStar-Math展示了模型的内在自我反思能力，在推理过程中识别并纠正错误的步骤。

rStar-Math的主要功能

• 生成高质量的数学推理轨迹：基于蒙特卡洛树搜索（MCTS）生成逐步验证的推理轨迹，确保每个步骤的正确性和高质量。
• 自我进化：用四轮自我进化，逐步提升策略模型和过程偏好模型（PPM）的性能，处理更复杂的数学问题。
• 提高模型的准确率：在多个数学基准测试中显著提高模型的准确率，例如在MATH基准测试中将Qwen2.5-Math-7B的准确率从58.8%提高到90.0%。
• 自我反思能力：模型能在推理过程中识别并纠正错误的步骤，展现出自我反思的能力。

rStar-Math的技术原理

• 代码增强的逐步验证推理轨迹合成
  • MCTS驱动的深度思考：将复杂的数学问题分解为多个单步生成任务，基于MCTS逐步构建搜索树，生成推理轨迹。
  • 代码执行验证：策略模型生成自然语言（NL）推理步骤和相应的Python代码。
  • Q值标注：基于终端引导标注和PPM增强标注两种方法，为每个步骤自动分配Q值，指导MCTS节点选择和识别高质量步骤。
• 过程偏好模型（PPM）训练方法
  • 避免直接使用Q值：传统的Q值作为奖励标签存在噪声和不精确的问题。rStar-Math通过构建步骤级的正负偏好对，使用成对排名损失来训练PPM，提高标签的可靠性。
  • 偏好对构建：对于每个步骤，选择Q值最高的两个步骤作为正例，Q值最低的两个步骤作为负例。PPM通过这些偏好对进行训练，预测每个步骤的奖励标签。
• 四轮自我进化
  • 初始强策略模型：第一轮用DeepSeek-Coder-V2-Instruct作为初始策略模型，进行MCTS rollout生成训练数据。
  • 可靠PPM训练：第二轮用更新后的策略模型进行更可靠的Q值标注，训练第一个可靠的PPM。
  • PPM增强MCTS：第三轮用可靠的PPM进行MCTS，生成更高质量的推理轨迹，覆盖更多的数学和竞赛级问题。
  • 解决挑战性问题：第四轮增加MCTS rollout次数和不同的随机种子，提高对竞赛级问题的覆盖率。

rStar-Math的项目地址

rStar-Math的应用场景

• 教育辅导：为学生提供个性化的数学学习辅导，逐步解决复杂的数学问题，提高解题能力和理解力。
• 科研支持：辅助数学家和科学家进行复杂的数学问题探索，生成初步的解题思路和验证步骤，加速研究进程。
• 金融科技：在金融风险评估和量化交易中，基于精确的数学模型和推理，预测市场风险和优化交易策略。
• 工程设计：在工程设计和系统优化中，用数学推理优化系统参数，提高系统的性能和可靠性。
• 数据分析：在企业数据分析中，基于数学模型和推理，从大量数据中挖掘有价值的信息，进行市场预测和业务决策支持。