数学推理能力超过OpenAI，上海交大开源大语言模型Abel荣登榜首
摘要：
📝 上海交大GAIR团队表示Abel的创建是为了向Niels Henrik Abel致敬，他在代数和分析方面的开创性工作，Abel模型在这方面也相对更好。不过，还有很长的路要走🏃♂️🏃♀️🏁🏃♂️🏃♀️.
本文展示了：
没有工具
无需继续预训练
无奖励模型
无RLHF
仅使用SFT
GAIR实验室在GSM8k（83.62）和MATH（28.26）基准测试上，在开源LLM（不使用外部工具）中建立了新的最先进的性能。具体而言：
GSM8K的性能为83.62%，超过了顶级机型，如PaLM-1、Minerva（谷歌）、Claude instant（Anthropic）、ChatGPT（OpenAI），仅落后谷歌最新机型PaLM-2-Flan 1%。
在极具挑战性的数学竞赛问题上，它的准确率达到28.26%（而GPT4的准确率为42.5%），与其他开源模型相比，它保持着显著的领先优势，超过了之前最好的开源模型5.56%。
7B和13B模型在GSM8K和MATH中都实现了开源模型性能的历史性里程碑。
GAIRMath Abel在前十名中获得了3个位置，是榜单中唯一一个由大学领导的项目（其他项目要么是明星初创公司，要么是大型科技公司）。
使用Abel的方法，不仅在GSM8K和MATH上取得了优异的结果，而且当获得一个新的数据集（TALSCQ-EN）时，不用付出太多努力就迅速获得了最先进的（SOTA）性能，超过了价值数十亿美元的商业模型MathGPT和GPT4。
GAIR实验室证明：
SFT的能力被严重低估了，研究人员应该以应有的尊重和谨慎对待SFT
只有通过SFT才能获得非凡的数学问题解决能力，这在未来的探索中激发了更多想象力。
模型和性能：
“（）”中的数字表示对以前的SOTA开源方法（即WizardMath）的改进。
在Abel中，GAIR团队首次提出了家长监督，一种监督微调的保姆策略，家长监督不限于任何特定的数据处理方法。相反，它定义了数据处理哲学，应该指导生成人工智能（GAI）时代的监督微调。在GAI时代，数据结构工程已经成为一种新的范式。在这种范式中，微调数据的处理方式会显著影响经过训练的GAI的性能。GAIR实验室称预计社区中会有越来越多的研究关注这种数据处理哲学。
父母监督的原则强调谨慎和谨慎地对待监督下的微调。这类似于鼓励父母教育孩子的方式。不同类型的数据，以及它们的表示格式（例如，逐步推理、迭代精化），可以被比作不同的教育方法。正如父母谨慎选择最有效的方法来指导他们的孩子一样，GAI从业者也应该谨慎选择最高效的数据处理方法来更好地指导他们的LLM。
此外，“数据越多越好”的哲学并不总是成立的。注释样本的质量和相关性往往超过其数量。SFT中使用的训练样本不仅应该给出正确的答案，还应该指导模型如何根据LLM的知识得出正确的答案。此外，如果LLM的知识不足以回答问题，家长监督应介入，及时解决知识差距。
数学推理排行榜：
🔒 代表专有型号，而🌍 代表开源模型🎓 建议模型开发由大学（而不是公司）领导
只考虑模型而不使用任何工具（例如Python）
算例演示：
1. 鸡兔同笼问题
Brown有牛和鸡一共60只，鸡的数量是牛的两倍，一共有多少条腿？
我们先来看看LLaMA的回答：
再来看看Abel的回答：
LLaMA出现了明显的逻辑判断错误，而Abel则正确回答了问题。
2. 另外一个数学问题：
2，21，6，11和30的中位数与平均数的和是多少？
先来看看LLaMA的回答：
再来看看Abel的回答
结果表明Abel成功做出了这道题目，而LLaMA又出现了失误。
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。
