Articles

Tableau comparatif

23 cases remplies sur 23 s’appuient sur un passage de l’article.

ArticleQuestionMéthodeDonnéesRésultats principauxLimites
1 Chain of Thought Prompting Elicits Reasoning in Large Language Models Étudier si l’incitation à produire un raisonnement intermédiaire améliore les performances des grands modèles de langage sur les tâches de raisonnement.
Source · Abstract
In this paper, we explore chain of thought prompting as a method for improving the ability of language models to perform reasoning tasks.
Utiliser des exemples de raisonnements intermédiaires dans les invites, sans ajuster les paramètres des modèles.
Source · Abstract
First, we provide the exact input prompts for all tasks in Table 19–Table 26 in Appendix C (and emphasize that we do not perform any finetuning and only apply prompting to off-the-shelf language models).
Les expériences portent sur des tâches de raisonnement arithmétique, symbolique et de sens commun. La taille des jeux de données n’est pas précisée dans l’extrait.
Source · Abstract
Through experiments on arith- metic, symbolic, and commonsense reasoning, we find that chain of thought processing is an emergent property of model scale that allows sufficiently large language models to perform reasoning tasks that otherwise have flat scaling curves.
Les raisonnements intermédiaires améliorent les performances sur diverses tâches où les exemples classiques ne suffisent pas. Les bénéfices apparaissent à une échelle d’environ 100 milliards de paramètres.
Source · Abstract
Chain of thought prompting is simple and improves performance across various reasoning tasks where standard few-shot prompting is insufficient. Crucially, our experi- ments suggest that successful chain of thought prompting is an emergent property of model scale—that is, the benefits of chain of thought prompting only materialize at sufficient model scale (around 100B parameters).
Les modèles principaux utilisés ne sont pas accessibles publiquement, ce qui limite la reproductibilité directe.
Source · Abstract
As our results make use of a set of large language models that is not publicly available, we take the following actions to facilitate reproducibility.
2 Self-Consistency Improves Chain of Thought Reasoning in Language Models Évaluer si l’agrégation de plusieurs réponses générées améliore la précision du raisonnement des grands modèles de langage.
Source · Abstract
We explore a simple ensemble strategy, self-consistency, that significantly improves the reasoning accuracy of large language models.
Échantillonner plusieurs raisonnements à partir d’une invite contenant des exemples, puis retenir la réponse finale la plus fréquente.
Source · Abstract
The method we propose first prompts the language model with example chains of thought, then generates a diverse set of reasoning paths by sampling from the model’s decoder. Each reasoning path might lead to a different final answer, so we determine the optimal answer by taking a plurality or majority vote—i.e., the most commonly occurring answer (corresponding to a majority vote in the special case of only two alternatives).
L’évaluation utilise les jeux de raisonnement arithmétique et de sens commun GSM8K, SVAMP, MultiArith, CommonsenseQA et ARC, dans ses versions facile et difficile.
Source · Abstract
For arithmetic and commonsense reasoning benchmarks we find that self-consistency yields significant accuracy improvements in a variety of datasets, such as GSM8K (+10%), SVAMP (+14%), MultiArith (+24%), CommonsenseQA (+5%) and ARC (easy +4%, challenge +5%).
Les gains de précision annoncés sont de +10 % sur GSM8K, +14 % sur SVAMP, +24 % sur MultiArith et +5 % sur CommonsenseQA. Sur ARC, ils atteignent +4 % pour la version facile et +5 % pour la version difficile.
Source · Abstract
For arithmetic and commonsense reasoning benchmarks we find that self-consistency yields significant accuracy improvements in a variety of datasets, such as GSM8K (+10%), SVAMP (+14%), MultiArith (+24%), CommonsenseQA (+5%) and ARC (easy +4%, challenge +5%).
Non précisé
3 STaR: Bootstrapping Reasoning With Reasoning
Résumé d’auteur et notre synthèse
Permettre à un modèle d’améliorer ses capacités de raisonnement en apprenant de ses propres justifications, à partir de peu d’exemples annotés.
Source · Abstract
We propose a technique to iteratively leverage a small number of rationale examples and a large dataset without rationales, to bootstrap the ability to perform successively more complex reasoning.
STaR génère des justifications et, en cas d’erreur, recommence en fournissant la bonne réponse. Le modèle est ensuite ajusté sur les justifications aboutissant à une réponse correcte, puis le cycle est répété.
Source · Abstract
This technique, the "Self-Taught Reasoner" (STaR), relies on a simple loop: generate rationales to answer many questions, prompted with a few rationale examples; if the generated answers are wrong, try again to generate a rationale given the correct answer; fine-tune on all the rationales that ultimately yielded correct answers; repeat.
La méthode exploite quelques exemples avec justifications et un grand jeu de données sans justifications. L’évaluation couvre plusieurs jeux de données, dont CommonsenseQA ; leurs tailles ne sont pas précisées.
Source · Abstract
We propose a technique to iteratively leverage a small number of rationale examples and a large dataset without rationales, to bootstrap the ability to perform successively more complex reasoning. This technique, the "Self-Taught Reasoner" (STaR), relies on a simple loop: generate rationales to answer many questions, prompted with a few rationale examples; if the generated answers are wrong, try again to generate a rationale given the correct answer; fine-tune on all the rationales that ultimately yielded correct answers; repeat.
STaR améliore les performances par rapport à un ajustement visant directement les réponses finales. Sur CommonsenseQA, ses performances sont comparables à celles d’un modèle de pointe 30 fois plus grand ajusté sur cette tâche.
Source · Abstract
We show that STaR significantly improves performance on multiple datasets compared to a model fine-tuned to directly predict final answers, and performs comparably to fine-tuning a 30$\times$ larger state-of-the-art language model on CommensenseQA.
Non précisé
4 Let's Verify Step by Step Comparer la supervision des étapes intermédiaires à celle du seul résultat final pour améliorer la fiabilité des solutions mathématiques.
Source · Abstract, ¶1
We conduct our own investigation, finding that process supervision significantly outperforms outcome supervision for training models to solve problems from the challenging MATH dataset.
Ouvrir dans l’article
Entraîner des modèles de récompense évaluant soit le résultat final, soit chaque étape, puis les utiliser pour sélectionner des solutions. Le générateur reste fixe et n’est pas amélioré par apprentissage par renforcement.
Source · 2.1 Scope, ¶1
At each model scale, we use a single fixed model to generate all solutions. We call this model the generator.
Ouvrir dans l’article
L’étude utilise le jeu MATH et publie PRM800K, composé de 800 000 annotations humaines au niveau des étapes pour entraîner le meilleur modèle de récompense.
Source · Abstract, ¶1
We conduct our own investigation, finding that process supervision significantly outperforms outcome supervision for training models to solve problems from the challenging MATH dataset. Our process-supervised model solves 78% of problems from a representative subset of the MATH test set.

Absent de ce passage : 800000

Ouvrir dans l’article
Le modèle supervisé au niveau des étapes résout 78 % des problèmes d’un sous-ensemble représentatif du test MATH. L’apprentissage actif améliore également l’efficacité de cette supervision.
Source · Abstract, ¶1
Our process-supervised model solves 78% of problems from a representative subset of the MATH test set. Additionally, we show that active learning significantly improves the efficacy of process supervision.
Ouvrir dans l’article
À grande échelle, les jeux d’entraînement des deux types de modèles de récompense ne sont pas directement comparables. Cette limite empêche une comparaison strictement contrôlée dans ce régime.
Source · 2 Methods, ¶2
Unfortunately the training sets for these reward models are not directly comparable, for reasons we will discuss in Section 3. These models are therefore not ideal for making an apples-to-apples comparison of outcome and process supervision.
Ouvrir dans l’article
5 DeepSeek-R1: Incentivizing Reasoning Capability in LLMs via Reinforcement Learning
Résumé d’auteur et notre synthèse
Développer des modèles de raisonnement et explorer l’émergence de ces capacités par apprentissage par renforcement à grande échelle, sans ajustement supervisé préalable.
Source · Abstract
We introduce our first-generation reasoning models, DeepSeek-R1-Zero and DeepSeek-R1. DeepSeek-R1-Zero, a model trained via large-scale reinforcement learning (RL) without supervised fine-tuning (SFT) as a preliminary step, demonstrates remarkable reasoning capabilities.
R1-Zero est entraîné par apprentissage par renforcement sans ajustement supervisé préalable. R1 ajoute des données d’amorçage et un entraînement en plusieurs étapes avant le renforcement.
Source · Abstract
To address these issues and further enhance reasoning performance, we introduce DeepSeek-R1, which incorporates multi-stage training and cold-start data before RL.
R1 utilise des données d’amorçage avant l’apprentissage par renforcement. Leur contenu et leur taille ne sont pas précisés dans l’extrait.
Source · Abstract
To address these issues and further enhance reasoning performance, we introduce DeepSeek-R1, which incorporates multi-stage training and cold-start data before RL.
R1 atteint des performances comparables à celles d’OpenAI-o1-1217 sur les tâches de raisonnement. Aucun score chiffré n’est fourni dans l’extrait.
Source · Abstract
DeepSeek-R1 achieves performance comparable to OpenAI-o1-1217 on reasoning tasks.
R1-Zero présente des problèmes de lisibilité et de mélange des langues.
Source · Abstract
However, it encounters challenges such as poor readability, and language mixing.

Où ils s'accordent

Où ils divergent

Ce qu'aucun n'aborde