研究者表示，如果 Sytem 2 蒸餾可以成為未來持續(xù)學(xué)習(xí) AI 系統(tǒng)的重要特征，則可以進(jìn)一步提升 System 2 表現(xiàn)不那么好的推理任務(wù)的性能。

談到大語言模型（LLM）的策略，一般來說有兩種，一種是即時的 System 1（快速反應(yīng)），另一種是 System 2（慢速思考）。

其中 System 2 推理傾向于深思熟慮的思維，生成中間思維允許模型（或人類）進(jìn)行推理和規(guī)劃，以便成功完成任務(wù)或響應(yīng)指令。在 System 2 推理中，需要付出努力的心理活動，尤其是在 System 1（更自動化思維）可能出錯的情況下。

因此，System 1 被定義為 Transformer 的應(yīng)用，可以根據(jù)輸入直接生成響應(yīng)，而無需生成中間 token。Sytem 2 被定義為生成中間 token 的任何方法，包括執(zhí)行搜索或多次提示然后最終生成響應(yīng)的方法。

業(yè)界已經(jīng)提出了一系列相關(guān)的 System 2 技術(shù)，包括思維鏈、思維樹、思維圖、分支解決合并、System 2 Attention、Rephrase and Respond (RaR) 等。得益于這種明確的推理，許多方法都顯示出更準(zhǔn)確的結(jié)果， 但這樣做通常會帶來更高的推理成本和響應(yīng)延遲。因此，許多此類方法未在生產(chǎn)系統(tǒng)中使用，而大多使用了 System 1。

對于人類來說， 學(xué)習(xí)將技能從深思熟慮（System 2）轉(zhuǎn)移到自動（System  1）的過程在心理學(xué)中被稱為自動性，以及程序記憶的使用。例如，第一次開車上班時，人們通常會花費(fèi)有意識的努力來計劃和做出到達(dá)目的地的決定。而在駕駛員重復(fù)這條路線后，駕駛過程就會「編譯」到潛意識中。同樣，網(wǎng)球等運(yùn)動可以成為「第二天性」。

在本文中，來自 Meta  FAIR 的研究者探索了一種類似的 AI 模型方法。該方法在給定一組未標(biāo)記示例的情況下以無監(jiān)督的方式執(zhí)行編譯，被稱為 System 2 蒸餾。對于每個示例，他們應(yīng)用給定的 System 2 方法，然后以無監(jiān)督的方式測量預(yù)測的質(zhì)量。

例如對于具有唯一答案的任務(wù)，研究者應(yīng)用自洽性（self-consistency）并多次進(jìn)行采樣。對于 System 2 足夠一致的示例，他們假設(shè)應(yīng)該蒸餾此結(jié)果，并將其添加到蒸餾池中。然后對 System 1 進(jìn)行微調(diào)，以匹配 System  2 方法對收集的示例池的預(yù)測，但不生成中間步驟。下圖 1 說明了將 System  2 蒸餾到 System 1 的整體過程。

研究者對 4 種不同的 System 2 LLM 方法和 5 種不同的任務(wù)進(jìn)行了實驗。結(jié)果發(fā)現(xiàn)，本文方法可以在各種設(shè)置中將 System 2 推理蒸餾回 System 1 中，有時甚至比 System 2 教師的結(jié)果更好。此外，這些預(yù)測現(xiàn)在只需花費(fèi)計算成本的一小部分即可產(chǎn)生。

例如，他們發(fā)現(xiàn)成功的蒸餾適用于處理有偏見的意見或不相關(guān)信息的任務(wù)（System 2 Attention）、澄清和改進(jìn)某些推理任務(wù)中的響應(yīng)（RaR）以及 LLM 的細(xì)粒度評估（分支 - 解決 - 合并）。

不過，并非所有的任務(wù)都可以蒸餾到 System 1 中，尤其是需要思維鏈的復(fù)雜數(shù)學(xué)推理任務(wù)。這也反映在人類身上，如果沒有深思熟慮的 System 2 推理，人類就無法執(zhí)行某些任務(wù)。

論文地址：https://arxiv.org/pdf/2407.06023v2

將 System 2 蒸餾回 System 1

設(shè)置：System 1 和 System 2 模型

給定一個輸入 x，研究者考慮設(shè)置一個單一模型，在他們的例子中是一個大語言模型 (LLM)，它能夠?qū)崿F(xiàn)兩種響應(yīng)模式：

• System 1：直接生成輸出 y。這類方法通過轉(zhuǎn)發(fā)（forwarding）底層自回歸神經(jīng)網(wǎng)絡(luò) (Transformer) 的各層來生成輸出標(biāo)記來完成。
• System 2。這類方法使用底層 Transformer 在生成最終響應(yīng) token 之前生成任何類型的中間輸出標(biāo)記 z，可能包括多次調(diào)用（提示）。

從形式上，研究者將 System 2 模型 S_II 視為一個函數(shù)，它接受 LLM p_θ 和輸入 x，并且可以重復(fù)調(diào)用 LLM 以使用特定算法生成中間標(biāo)記 z，然后返回輸出 y：

System 2 方法可能涉及多個提示、分支、迭代和搜索，同時使用 LLM 生成中間結(jié)果以供進(jìn)一步處理。相比之下，System 1 模型僅考慮原始輸入 x 并直接調(diào)用 LLM pθ 來生成輸出 y：

方法：System 2 蒸餾

本文方法的第一步是使用 System 2 模型對未標(biāo)記的輸入 X 生成響應(yīng)：

然后，這些響應(yīng) y^i_S_II 可直接用作 System 2 蒸餾目標(biāo)，以微調(diào) System 1 模型。但是，它們?nèi)菀资艿皆肼暤挠绊懀浩渲幸恍╉憫?yīng)可能是高質(zhì)量的，而另一些可能是低質(zhì)量或不正確的。對于涉及簡短響應(yīng)（通常具有唯一正確（但未知）的答案）的簡短問答和推理任務(wù)，研究者考慮采用無監(jiān)督管理步驟來嘗試提高訓(xùn)練數(shù)據(jù)質(zhì)量。他們考慮了以下兩種依賴于自洽性標(biāo)準(zhǔn)的變體：

• 輸出的自洽性：對 S_II (x^i ; p_θ) 進(jìn)行總共 N 次采樣，并接受多數(shù)投票響應(yīng)；如果沒有多數(shù)投票獲勝者，則丟棄該示例。
• 輸入擾動下的自洽性：以輸出不變的方式擾動輸入 x^i，例如改變提示中多項選擇題的順序，并計算每次擾動的 S_II；如果輸出不一致，則丟棄該示例。

之后研究者得到了合成數(shù)據(jù)集 (X_S_II , Y_S_II)，其中 X_S_II 是 X 的一個過濾子集，目標(biāo)是 Y_S_II。最后一步是使用這個蒸餾出來的訓(xùn)練集對參數(shù)為 p_θ 的 LLM 進(jìn)行監(jiān)督微調(diào)。研究者通常從當(dāng)前狀態(tài) p_θ 初始化此模型，然后繼續(xù)使用新數(shù)據(jù)集進(jìn)行訓(xùn)練。微調(diào)后，他們得到一個 LLM ，這是一個 System 1 模型，預(yù)計可提供與評估的 System  2 模型類似的輸出和性能提升。

實驗結(jié)果

訓(xùn)練和評估設(shè)置

研究者使用 Llama-2-70B-chat 作為所有實驗的基礎(chǔ)模型。他們需要一個具有足夠能力的基礎(chǔ)模型，使其能夠像 System 2 模型一樣高效運(yùn)行，同時還具有可以微調(diào)的開放權(quán)重，因此做出了此選擇。

同時，研究者考慮了幾種 System 2 方法，包括 System 2 Attention、 RaR、分支解決合并（Branch-Solve-Merge）和思維鏈， 并重點(diǎn)關(guān)注每種方法都顯示出強(qiáng)大性能的任務(wù)。

對于 System 1，研究者使用指令調(diào)整后的基礎(chǔ)模型作為標(biāo)準(zhǔn)基線進(jìn)行零樣本推理。他們報告每個任務(wù)的任務(wù)特定指標(biāo)，以及「#Tokens」指標(biāo)，后者衡量評估集上每個輸入生成的平均 token 數(shù)量。System 2 方法則包括中間 token 生成以及最終輸出 token 生成。

Rephrase and Respond 蒸餾

RaR 是一種 System 2 方法，它首先提示語言模型以進(jìn)一步闡述的方式來復(fù)述原始問題，然后基于復(fù)述的問題生成響應(yīng)，目的是提供更優(yōu)的輸出。

對于蒸餾數(shù)據(jù)，研究者使用輸出的自洽性為 RaR 構(gòu)建 System 2 蒸餾數(shù)據(jù)集。對于每個輸入，他們對最后一個字母（ last letter）任務(wù)進(jìn)行了八次采樣迭代，并同樣對硬幣翻轉(zhuǎn)（coin flip）任務(wù)的每個階段進(jìn)行八次采樣迭代，然后用多數(shù)投票來確定最終輸出。

首先來看最后一個字母連接（Last letter Concatenation）任務(wù)。此任務(wù)側(cè)重于符號推理，要求模型連接給定單詞的最后一個字母。整體結(jié)果如下表 1 所示。

基線 System 1 模型 (Llama-2-70B-chat) 的準(zhǔn)確率達(dá)到 30.0%，低于 System 2 的 1-Step 和 2-Step RaR 方法（分別為 39.5% 和 44.5%）。通過本文無監(jiān)督技術(shù)將 2-Step RaR 方法蒸餾回 System 1 Llama-2-70B-chat 模型，則實現(xiàn)了 98.0% 的驚人準(zhǔn)確率。

與零樣本聊天模型相比，模型可以有效地從這些訓(xùn)練數(shù)據(jù)中學(xué)習(xí)如何解決任務(wù)。RaR 的蒸餾有效地繼承了 System 2 和 System 1 的優(yōu)勢，既保留了 System 2 的準(zhǔn)確率優(yōu)勢，而其推理成本與 System 1 相當(dāng)。

再來看硬幣翻轉(zhuǎn)推理任務(wù)。這種符號推理任務(wù)經(jīng)常在研究中進(jìn)行測試，它涉及確定硬幣的最終面（正面或反面），從已知的初始位置開始，經(jīng)過一系列用自然語言描述的翻轉(zhuǎn)，例如「硬幣正面朝上」。

整體結(jié)果見上表 1。Llama-2-70B-chat（零樣板）在此任務(wù)上的成功率為 56.1%，而 1-Step 和 2-Step RaR 的成功率分別為 58.5% 和 77.2%。因此，使用 2-Step 方法獲得了巨大改進(jìn)。通過本文無監(jiān)督技術(shù)將 2-Step RaR 蒸餾回 System 1 Llama-2-70B-chat 可以獲得 75.69% 的結(jié)果。

因此，蒸餾的 System 2 模型提供的性能與 System 2（2 Step RaR）相當(dāng)，但不需要使用 2 個提示執(zhí)行 LLM 程序。

System 2 Attention 蒸餾

Weston 和 Sukhbaatar (2023) 提出了 System 2 Attention (S2A)，這種方法有助于減少模型的推理陷阱，例如依賴輸入中的偏見信息或關(guān)注不相關(guān)的上下文。

研究者驗證了將 S2A 提煉到 System 1 中的可行性，特別是 SycophancyEval 問答任務(wù)，該任務(wù)包含已知會損害 LLM 性能的輸入中的偏見信息。

結(jié)果如下表 2 所示，報告了 3 個隨機(jī)種子的平均準(zhǔn)確率。正如預(yù)期，基線（System1）LLM 在有偏見部分的準(zhǔn)確率較低，容易受到有偏見輸入的影響。S2A 顯著提高了有偏見輸入的性能。System 2 蒸餾表現(xiàn)出與 System 2 方法類似的強(qiáng)大性能。