Google DeepMind 展示 GenRM 技術：微調 LLMs 作為獎勵模型，提升生成式 AI 推理能力

Google DeepMind 團隊在 arxiv 上發表論文，介紹展示了 GenRM 生成式驗證器，創造性提出獎勵模型，從而提升生成式 AI 推理能力。

AI 產業內，目前提高大型語言模型（LLMs）的主流做法就是 Best-of-N 模式，即由 LLM 生成的 N 個候選解決方案由驗證器進行排序，並選出最佳方案。

這種基於 LLM 的驗證器通常被訓練成判別分類器來為解決方案打分，但它們無法利用預訓練 LLMs 的文字生成能力。

DeepMind 團隊為了克服這個侷限性，嘗試使用下一個 token 預測目標來訓練驗證器，同時進行驗證和解決方案生成。

DeepMind 團隊這種生成式驗證器（GenRM），相比較傳統驗證器，主要包含以下優點：

在演算法和小學數學推理任務中使用基於 Gemma 的驗證器時，GenRM 的性能優於判別式驗證器和 LLM-as-a-Judge 驗證器，在使用 Best-of-N 解決問題的百分比上提高了 16-64%。

據 Google DeepMind網站指出，GenRM 相對於分類獎勵模型的邊標誌著人工智慧獎勵系統的關鍵演化，特別是在其容量方面，以防止新模型學成到的欺詐行為。這一進步突出表明，迫切需要完善獎勵模型，使人工智慧輸出與社會責任標準保持一致。

參考連結