AdaReasoner: Adaptive Reasoning Enables More Flexible Thinking这篇文章介绍了AdaReasoner，一个旨在提高大型语言模型（LLM）在复杂推理和问题解决任务中的灵活性和性能的自适应框架。AdaReasoner通过动态调整推理配置（如温度、推理步骤等）来优化模型的表现，这些配置由一个经过强化学习（RL）训练的代理动态调整。文章强调了现有方法（如Chain-of-Thought [CoT] 和 Tree-of-Thought [ToT]）在处理不同类型任务时的局限性，并提出AdaReasoner能够通过自适应配置和自反思机制来克服这些局限。

这篇博客仅简要概括其方法上的创新点，不包含文章的理论分析部分。

3. AdaReasoner

3.1 动机

尽管链式思维（CoT）和其他类似的大型语言模型（LLM）推理方法已经被广泛研究并证明在许多任务中有效，但它们仍然无法在所有类型的问题上实现理想的表现。例如，像笑话生成或隐喻解释这样的任务通常需要发散性和创造性的推理，而现有的方法在这些任务上表现不佳。AdaReasoner 通过使用强化学习（RL）训练的代理动态调整推理配置（如温度、推理步骤和推理指令），结合自反思机制和强大的选择机制，提高了模型的灵活性和性能。

3.2 问题定义

AdaReasoner 的目标是自适应地找到给定问题 $q$ 的最有效超参数配置 $a$，使得 LLM（记为 $\Phi$）生成正确的推理答案 $\Phi (q|a)$。更具体地，配置 $a$ 是一个三维向量，每个元素对应一个超参数：

• $a_t$：生成温度
• $a_p$：推理指令格式
• $a_s$：推理步骤数

3.3 动作选择过程

AdaReasoner 的动作选择过程通过将策略分解为独立的组件来实现，每个组件负责一个特定的超参数设置（如温度、推理步骤和推理指令）。这种分解使得优化空间从乘法减少到加法，从而提高了优化效率。

3.3.1 动作空间定义

• 推理步骤 (Reasoning Steps) 𝒜𝑠: 动作空间定义为 {𝑥 | 𝑥 ∈ Z, 3 ≤ 𝑥 ≤ 10}，即推理步骤数在3到10之间。
• 温度 (Temperature) 𝒜𝑡: 动作空间定义为 {0.0 + 0.1𝑘 | 𝑘 ∈ Z, 0 ≤ 𝑘 ≤ 10}，即温度值在0.0到1.0之间，步长为0.1。
• 推理指令 (Reasoning Instructions) 𝒜𝑝: 动作空间定义为 {base + variation}，即每个动作对应一个基础指令和一个变体的组合。

3.3.2 动作选择

AdaReasoner的神经架构如图2所示，输入查询问题在经过嵌入后，会经历三次动作选择，然后被发送到LLMs进行推理以生成答案。虽然嵌入是由预训练模型（如预训练的BERT模型 [Wolf et al., 2020]）执行的，但AdaReason的可训练神经网络参数由三个并行通道组成，每个通道对应一个动作，以及一个共享的公共层。

1. 输入问题的嵌入 $\text{Embed}(q)$ 首先通过公共层，得到 $h=f_{{\theta }_c}(\text{Embed}(q))$，其中 ${\theta }_c$ 是公共层的参数（例如，一个全连接的MLP），$h$ 捕获了确定动作所需的特征。
2. 然后 $h$ 被发送到每个通道，动作选择如下：
   $$a_p\sim {\pi }_p(\cdot |h)=f_{{\theta }_p}(h),a_t\sim {\pi }_t(\cdot |h)=f_{{\theta }_t}(h),a_s\sim {\pi }_s(\cdot |h)=f_{{\theta }_s}(h)$$

3.4 探索策略

通过将每个问题的配置选择问题建模为多臂赌博机（Multi-Armed Bandit, MAB）问题，我们的目标是在少样本训练设置下设计一种有效的探索策略。然而，由于奖励是从LLM输出间接得出的，并且该过程不是在线学习场景，因此标准的MAB策略（如Upper Confidence Bound (UCB) [Sutton and Barto, 2018]）变得不切实际。此外，对每个上下文𝑞评估所有配置在计算上是不可行的，特别是考虑到由LLM响应引起的噪声和隐式奖励景观。因此，广泛探索配置空间的同时优先选择高奖励动作变得至关重要，Boltzmann探索提供了一个有效的解决方案 [Pan et al., 2019]，因为它允许代理根据估计的奖励概率选择动作。

具体来说，对于每个动作（$a_t$,$a_s$或 $a_p$），我们估计其所有可能值（在$A_t$, $A_s$ 或 $A_p$中）的选择概率：

$$P(a_i)=\frac{\exp \left(\frac{Q(a_i)}{\tau }\right)}{{\sum }_{a_j\in \mathcal{A}}\exp \left(\frac{Q(a_j)}{\tau }\right)}\text{\hspace{1em}(3)}$$

其中，$Q(a_i)$ 是策略网络 $f_{\theta }$ 输出层中动作 $a_i$ 的logit分数。Boltzmann探索中的温度参数 $\tau$ 控制探索与利用之间的权衡：较高的 $\tau$ 促进探索，较低的 $\tau$ 有利于利用。文章以指数方式退火 $\tau$，即 ${\tau }_t={\tau }_0\cdot {\alpha }^t$，其中 $t\le T$，这使得策略能够逐渐从广泛的探索转向可靠的配置选择和精细优化。

3.5 强化学习训练

为了使AdaReasoner能够学习最有效的配置策略，文章采用了一个预训练的奖励模型来评估推理配置的有效性。该模型通过将生成的答案与训练数据中的参考答案进行比较，提供反馈以指导代理的学习，使其能够在有限的指导下（即少样本学习）高效地获取有效的配置。为了促进探索和提高泛化能力，文章采用了Boltzmann探索机制，使代理能够在训练过程中更有效地探索和优化配置。AdaReasoner 使用强化学习（RL）算法进行训练，具体使用的是REINFORCE算法。

3.5.1 训练算法

Algorithm 1: AdaReasoner Algorithm

3.5.2 目标函数

AdaReasoner 的目标函数 $J(\Theta )$ 定义为：
$$J(\Theta )={\mathbb{E}}_{q\sim D}{\mathbb{E}}_{a\sim \Pi \Theta (\cdot |q)}\left[r(\Phi (q|a),R)\right]$$

在AdaReasoner的RL设置中，奖励被归一化到 [0, 1] 范围，策略使用平滑参数化（如应用于线性logits的softmax函数）。这使得目标函数 $J(\Theta )$ 是 $L$-平滑的，即目标函数的梯度变化不会太剧烈，基于采样的梯度估计具有有界的方差。形式上，存在一个常数 $L>0$，使得对于所有 $\Theta$ 和 ${\Theta }^{\prime }$：
$$\Vert \nabla J(\Theta )-\nabla J({\Theta }^{\prime })\Vert \le L\Vert \Theta -{\Theta }^{\prime }\Vert$$

3.5.3 损失函数

每个头的损失函数定义为：
$$\mathcal{L}j=-r\log \Pi {\theta }_j(a|q,\Phi )$$

总损失函数为：
L=∑𝑗∈{𝑝,𝑡,𝑠}L𝑗ℒ = \sum_{𝑗∈\{𝑝,𝑡,𝑠\}} ℒ𝑗 L=j∈{p,t,s}∑​Lj

梯度通过链式法则计算，共享层的梯度聚合为：
∇θ𝑐L=∑𝑗∈{𝑝,𝑡,𝑠}∇θ𝑐L𝑗\nabla_{\theta_𝑐} ℒ = \sum_{𝑗∈\{𝑝,𝑡,𝑠\}} \nabla_{\theta_𝑐} ℒ𝑗 ∇θc​​L=j∈{p,t,s}∑​∇θc​​Lj

更新参数：
$${\theta }_c\leftarrow {\theta }_c-\eta {\nabla }_{{\theta }_c}\mathcal{L}$$

θ𝑗←θ𝑗−η∇θ𝑗L𝑗∀𝑗∈{𝑝,𝑡,𝑠}\theta_𝑗 ← \theta_𝑗 - \eta \nabla_{\theta_𝑗} ℒ𝑗 \quad \forall 𝑗 ∈ \{𝑝, 𝑡, 𝑠\} θj​←θj​−η∇θj​​Lj∀j∈{p,t,s}