无需工具，无需RLHF

克雷西 发自 凹非寺

量子位 | 公众号 QbitAI

国产数学大模型，能力已经超过了ChatGPT！

最新榜单中，上海交大GAIR实验室出品的Abel专有大模型：

准确率高达83.6%，在开源模型中位列第一。

据团队介绍，该模型是用挪威数学家尼尔斯·阿贝尔（Niels Abel）的名字命名的，以此向阿贝尔在代数和分析方面的开创性工作致敬。

在GSM8k数据集上，70B参数量的Abel碾压所有开源模型，还超过了ChatGPT。

甚至在新数据集TALSCQ-EN上，Abel的表现比GPT-4还要强。

而实现这样效果的Abel，成分可以说是十分“单纯”：

• 没有使用工具
• 没有使用数学领域的大规模预训练数据
• 没有使用奖励模型
• 没有使用RLHF
• 仅使用有监督精调（Supervised Fine-tuning，SFT）

那么Abel的效果究竟怎么样呢？

成绩超越开源模型SOTA

这里我们选择同样是开源的Llama-2来和Abel对比。

首先来看下这个鸡兔同笼问题的变体：

Brown由牛和鸡一共60只，鸡的数量是牛的两倍，一共有多少条腿？

这道题Llama-2出师不利，而且不是计算错误，是逻辑上就有问题：

Abel则成功地解决了这个问题。

再来看下一个问题：

12，21，6，11和30的中位数与平均数的和是多少？

两个模型都正确理解了所涉及的概念，但Llama还是在计算和排序上出了错。

而Abel依旧是正确地做出了这道题：

再从测试数据上看看Abel的表现。

首先是OpenAI提出的GSM8k数据集（大概是美国高中难度），这份榜单的前十名，Abel占了三个（不同参数规模）。

开源模型当中，70B规模的Abel打败了曾经的SOTA——WizardMath。

如果把商业闭源模型算进来，Abel也仅次于GPT-4、Claude-2和PaLM-2-Flan这些最著名的模型。

甚至ChatGPT也不是Abel的对手。

△地球代表开源模型，锁代表闭源模型

在难度更高的MATH（竞赛题目）数据集中，开源模型的前三名被三个规模的Abel包揽，加上闭源也仅次于Google和OpenAI的产品。

研究团队还使用了新数据集TALSCQ-EN对Abel进行测试，结果超过了GPT-4。

那么，研究团队是怎么调教出这样一款高性能模型的呢？

“保姆级”微调训练策略

核心奥义就是高质量的训练数据。

Abel使用数据是经过精心策划的，不仅包含问题的答案，还要能告诉模型找到正确答案是的方法。

为此，研究团队提出了一种叫做家长监督（Parental Oversight）的“保姆级”微调训练策略。

在家长监督的原则之下，团队仅通过SFT方式就完成了Abel的训练。

为了评价Abel的鲁棒性，研究团队还用GPT4对GSM8k中的数字进行了修改，测试Abel是否依然能解出正确的答案。

结果显示，在调整版GSM8k数据集下，70B参数的Abel鲁棒性超过了同等规模的WizardMath。

在Abel的介绍的最后，研究团队还留下了一个彩蛋：

Abel的下一代，将进化成为Bernoulli（伯努利）

不过团队并没有对其中的含义进行说明，我们不妨期待一番。

团队简介

Abel由上海交通大学GAIR（生成式人工智能研究组）团队打造。

该团队还曾推出过大模型高考Benchmark、AIGC事实核查工具Factool等成果。

该小组负责人、清源研究院刘鹏飞副教授同时也是Abel项目的负责人。

对这个数学模型感兴趣的读者，可以到GitHub页面详细了解。

GitHub页面：
https://github.com/GAIR-NLP/abel