《思考快與慢》中人類的兩種思考方式，屬實是被Meta給玩明白了。

研究人員通過把AI的“慢思考”結果蒸餾進“快思考”，讓Llama2表現提升了257%，變得比GPT4還能打，同時還能降低推理成本。

這里的快慢兩種思考方式，指的就是2002年諾貝爾經濟學獎得主丹尼爾·卡尼曼推廣的系統1和系統2——

簡單說，系統1是簡單無意識的直覺，速度更快；系統2則是復雜有意識的推理，準確性更強。

Meta所做的“蒸餾”，就是用系統2生成數據，然后對用系統1推理的模型進行微調。

有網友看了后表示，這種模式和人類很像，一旦解決了一個難題，再解決（相似的問題）就變得簡單了。

將系統2蒸餾到系統1

對于大模型而言，模仿人類的“系統2”的方式有很多種，在模型中所處的環節也不盡相同，這里作者一共研究了四種：

• CoT，即Chain of Thought，思維鏈，從提示詞入手讓模型逐步思考。
• S2A，即System 2 Attention，由Meta自己提出，直接修改了模型的注意力機制，屏蔽與任務無關的信息。
• RaR，即Rephase and Respond，先對問題進行重新表述，再根據重述后的問題生成答案。
• BSM，即Branch-Solve-Merge，將復雜任務分解為多個分支，針對每個分支獨立生成評分，再將各個分支的評分綜合。

但從整體流程上看則是殊途同歸，各種“系統2方法”都會在未標注數據集上生成推理結果。

在這過程當中，模型會在給出結果的同時生成詳細的中間推理步驟，但研究人員只保留最終的輸出結果。

然后就得到了輸入-系統2輸出的數據對，可以視為一種無監督的“偽標簽”，將這些數據對收集起來，就形成初步的蒸餾數據集。

當然了，這步得到的數據還不能直接拿來微調系統1模型，需要進行過濾以確保其擁有足夠高的質量。

過濾的具體依據，是一致性和魯棒性。

一致性篩選當中，對每個輸入樣本，都會用系統2模型采樣生成多個輸出，然后通過多數投票等方法進行比較，如果大多數都一致，則認為該輸出是可靠的；

魯棒性篩選是對一個輸入樣本進行適當的擾動，如改變無關細節、調整詞序等，然后觀察系統2模型在擾動前后的輸出是否一致。

篩選后的高質量蒸餾數據，就可以對系統1模型進行無監督微調了。

微調過程可以看作是一種知識蒸餾，但又與與傳統的知識蒸餾不同，這里兩種系統使用的是同一個基礎模型。

系統1模型的目標是直接學到系統2模型的輸出行為，而不是中間的復雜推理過程，在后續推理時也不需要執行系統2的推理步驟，而是直接生成輸出。

但從輸出質量上來看，表現卻能接近系統2模型，也就是實現了系統2能力向系統1的轉移。

那么，為什么要專門收集數據去微調系統1模型，而不直接用系統2模型推理呢，作者也給出了解釋。

道理其實很簡單，從系統2的另一個名字“慢系統”當中，很容易就能看出答案：

因為系統2的速度慢，在實時交互、移動設備部署等場景下，模型的延遲可能是無法接受的。

另外，由于需要輸出完整的推理過程，系統2輸出的token長度也是系統1的數百倍。

就像開頭那位網友說的，系統2把復雜的推理解決了，再將數據喂給系統1，問題對其而言也會變得容易。

從表現上看，這樣的模式也確實讓系統1模型的表現大幅進步，甚至超過了真·系統2模型。

讓Llama2超越GPT-4

針對前面四種不同的系統2方法，研究人員分別使用不同的數據集，在不同的任務上進行了測試。

針對BSM方法，作者采用的數據集是Open Assistant 2和MT-bench，評估了模型作為“評判者”時的表現。

可以看到，在兩個數據集中，Llama-2的表現（人類一致性）分別從32.0%和28.1%，提高到了58.4%和72.4%，最高增幅達到了257%，比CoT方法更加有效。

而且，微調后的模型均超過了系統1版的GPT-4，甚至達到了GPT-4配合CoT的水準。

同時（改變選項位置后的）不一致性也大幅降低，而且和系統2相比，Token數量少到幾乎可以忽略不計。

同時針對MT-Bench不同的子類任務，作者也分別分析了各種方法的人類一致性。

接下來是S2A方法，它主要解決的是模型偏見問題，因此評估時采用了帶偏見的TriviaQA任務。

結果蒸餾后的準確率達到81.3%，超過了原始S2A的76%，生成的token數量也從147個減少到了56個。

RaR的測試目標則是完成一些推理任務，這里作者測試了Last letter concatenation和Coin flip。

在Letter任務中，蒸餾后的系統模型準確率從30%飛升到了98%，也超過了系統1自蒸餾的69.5%，同時也優于原始的RaR方式。

而在Coin flip任務里，蒸餾后的準確率達到 75.69%，也與接近2-步原始RaR的77.2%接近，但生成的token數量大幅減少。

不足的一點是，CoT的蒸餾效果與另外三種大相徑庭，作者發現，在數學推理任務上，CoT的推理能力很難遷移到系統1當中。

在GSM8K數據集上，蒸餾后的模型在k=1時準確率僅為7.13%，k=10時也只有7.35%，甚至不如沒蒸餾之前的版本。

所以，作者認為，接下來的研究目標是進一步明確這種蒸餾的應用場合，找到更類似于人類學習的方式。

論文地址：https://arxiv.org/abs/2407.06023

參考鏈接：https://x.com/emollick/status/1810659417634869610。