meta AI 實(shí)驗(yàn)室今日在 Hugging Face 平臺(tái)上推出了一款創(chuàng)新型大模型，專為驗(yàn)證和優(yōu)化鏈?zhǔn)剿季S（Chain-of-Thought， CoT）推理而設(shè)計(jì)。該模型名為“CoT-Verifier”(暫定)，基于 Llama3.18B Instruct 架構(gòu)構(gòu)建而成，采用 TopK 轉(zhuǎn)碼器(Transducer)機(jī)制，提供了一種前所未有的白盒方法，幫助開發(fā)者深入剖析并修正 AI 推理過程中的錯(cuò)誤環(huán)節(jié)。

在當(dāng)前的人工智能研究中，思維鏈（CoT）驗(yàn)證方法主要依賴于模型輸出的黑盒方式，或是通過激活信號(hào)的灰盒分析來預(yù)測(cè)推理的正確性。這些方法雖然具有一定的實(shí)用性，但對(duì)于推理失敗的根本原因卻缺乏深入的了解。針對(duì)這一問題，研究團(tuán)隊(duì)引入了 CRV 方法，認(rèn)為不同推理步驟的歸因圖 — 也即模型潛在推理電路的執(zhí)行軌跡 — 在結(jié)構(gòu)特征上存在顯著差異。

研究表明，正確推理步驟的歸因圖與錯(cuò)誤步驟的歸因圖在結(jié)構(gòu)上具有明顯的區(qū)別。這種結(jié)構(gòu)特征的差異性為推理錯(cuò)誤的預(yù)測(cè)提供了新的科學(xué)依據(jù)。通過訓(xùn)練分類器對(duì)這些結(jié)構(gòu)特征進(jìn)行分析，研究人員證明了錯(cuò)誤的結(jié)構(gòu)特征具有高度的預(yù)測(cè)性，進(jìn)一步驗(yàn)證了通過計(jì)算圖直接評(píng)估推理正確性的可行性。

研究發(fā)現(xiàn)這些結(jié)構(gòu)特征在不同推理任務(wù)中表現(xiàn)出高度的領(lǐng)域特異性。這意味著，不同類型的推理失敗反映出不同的計(jì)算模式，為今后的研究提供了新的方向。值得一提的是，研究團(tuán)隊(duì)還通過對(duì)歸因圖的深入分析，成功實(shí)施了針對(duì)模型特征的定向干預(yù)，從而糾正了部分推理錯(cuò)誤。

該研究為大型語言模型的推理過程提供了更深入的因果理解，標(biāo)志著從簡單的錯(cuò)誤檢測(cè)向更加全面的模型理解邁出了重要一步。研究人員希望，通過仔細(xì)審視模型的計(jì)算過程，未來能夠更有效地提升 LLM 的推理能力，并為更復(fù)雜的人工智能系統(tǒng)奠定理論基礎(chǔ)。