8月9日消息，阿里通義團隊開源新一代數(shù)學(xué)模型Qwen2-Math，包含1.5B、7B、72B三個參數(shù)的基礎(chǔ)模型和指令微調(diào)模型。Qwen2-Math基于通義千問開源大語言模型Qwen2研發(fā)，旗艦?zāi)Ｐ? Qwen2-Math-72B-Instruct在權(quán)威測評集MATH上的得分超越GPT-4o、Claude-3.5-Sonnet、Gemini-1.5-Pro、Llama-3.1-405B等，以84%的準確率處理了代數(shù)、幾何、計數(shù)與概率、數(shù)論等多種數(shù)學(xué)問題，成為最先進的數(shù)學(xué)專項模型。
注：在MATH基準測評中，通義千問數(shù)學(xué)模型的旗艦款Qwen2-Math-72B-Instruct取得了84%的準確率，超過GPT-4o、Claude-3.5-Sonnet、Gemini-1.5-Pro 和 Llama-3.1-405B等開閉源模型。
Qwen2-Math 基礎(chǔ)模型使用 Qwen2大語言模型進行初始化，并在精心設(shè)計的數(shù)學(xué)專用語料庫上進行預(yù)訓(xùn)練，訓(xùn)練數(shù)據(jù)包含大規(guī)模高質(zhì)量的數(shù)學(xué)網(wǎng)絡(luò)文本、書籍、代碼、考試題目，以及由 Qwen2 模型合成的數(shù)學(xué)預(yù)訓(xùn)練數(shù)據(jù)。所有預(yù)訓(xùn)練和微調(diào)數(shù)據(jù)集都進行了去污染處理。
隨后，研發(fā)團隊訓(xùn)練了指令微調(diào)版本模型：基于Qwen2-Math-72B 訓(xùn)練一個數(shù)學(xué)專用的獎勵模型;接著，將密集的獎勵信號與指示模型是否正確回答問題的二元信號結(jié)合，用作學(xué)習(xí)標簽，再通過拒絕采樣構(gòu)建監(jiān)督微調(diào)(SFT)數(shù)據(jù);最后在SFT模型基礎(chǔ)上使用 GRPO 方法優(yōu)化模型。
據(jù)悉，Qwen2-Math系列模型目前主要支持英文，通義團隊很快就將推出中英雙語版本，多語言版本也在開發(fā)中。
通義團隊在多個中英文數(shù)學(xué)基準測評集對指令微調(diào)模型作了性能評估，除了 GSM8K 和 MATH等常見的測評基準 ，還引入了更具挑戰(zhàn)性的考試競賽類測試，如奧林匹克級別的基準測評OlympiadBench、大學(xué)數(shù)學(xué)級別的基準測評CollegeMath、高考(GaoKao)、美國數(shù)學(xué)邀請賽(AIME)2024 賽題、美國數(shù)學(xué)競賽( AMC)2023賽題，中文測評則有CMATH測評集、2024年中國高考和中考數(shù)學(xué)題。最終，Qwen2-Math-72B-Instruct表現(xiàn)優(yōu)異，在十大測評中都獲得了遠超其他開源數(shù)學(xué)模型的成績。
注：研發(fā)團隊在greedy和RM@8 的條件下對模型作了測評，表中為每款Qwen2-Math-72B-Instruct模型列出了三個得分結(jié)果，分別是第1次回答得分(無下標數(shù)字)、8次回答中出現(xiàn)最多次數(shù)的答案的得分，8次回答中reward model所選答案的得分。
“大模型能不能做數(shù)學(xué)題”，不僅是社交平臺的熱門話題，也是業(yè)界非常關(guān)注的研究課題。處理高級數(shù)學(xué)問題，需要模型具備復(fù)雜多步邏輯推理能力。通義團隊在技術(shù)博客中表示，希望通過開源“為科學(xué)界解決高級數(shù)學(xué)問題做出貢獻”，未來將持續(xù)增強模型數(shù)學(xué)能力。
附：Qwen2-Math解題示例
