Meta的研究人员最近提出了一种名为System 2蒸馏的技术，该技术旨在将大型语言模型（LLM）的推理能力从System 2模式（需要生成中间推理步骤）转化为System 1模式（直接生成最终答案）。这种技术在多个任务上取得了显著的成果，其中Llama 2对话模型在一项任务上的准确率甚至接近100%。
System 2蒸馏技术的核心思想是，通过在训练数据上应用System 2方法（如Chain-of-Thought、Rephrase and Respond等）生成高质量的输出，然后将这些输出蒸馏回LLM的直接生成能力，从而提高LLM的性能。这种技术的关键在于，它能够将System 2方法的推理能力转化为LLM的直接生成能力，从而在保持性能的同时减少推理成本。
在论文中，研究人员首先介绍了System 2蒸馏技术的基本原理和方法。他们将LLM的直接生成能力定义为System 1模式，将需要生成中间推理步骤的能力定义为System 2模式。然后，他们提出了一种基于自监督学习的方法，通过在无标注数据上应用System 2方法生成高质量的输出，并将这些输出作为训练数据来微调LLM的参数。
为了验证System 2蒸馏技术的有效性，研究人员在多个任务上进行了实验。首先，他们考虑了Rephrase and Respond方法，该方法通过让LLM重新表述问题并生成答案来提高性能。研究人员在两个任务上评估了该方法：最后一个字母连接任务和硬币翻转推理任务。在最后一个字母连接任务中，LLM需要连接给定单词的最后一个字母。通过应用Rephrase and Respond方法，研究人员发现LLM的准确率从30%提高到98%。在硬币翻转推理任务中，LLM需要根据给定的翻转序列预测最终的结果。通过应用Rephrase and Respond方法，研究人员发现LLM的准确率从56%提高到75%。
接下来，研究人员考虑了System 2注意力（S2A）方法，该方法通过让LLM在生成答案之前关注输入中的特定信息来减少推理错误。他们使用SycophancyEval数据集评估了该方法，该数据集包含有偏见的信息，已知会对LLM的性能产生负面影响。通过应用S2A方法，研究人员发现LLM在有偏见输入上的准确率从51%提高到81%，在无偏见输入上的准确率从73%提高到78%。
最后，研究人员考虑了Branch-Solve-Merge（BSM）方法，该方法通过将任务分解为多个子任务并并行解决它们来提高性能。他们使用Open Assistant数据集评估了该方法，该数据集包含用户查询和候选答案。通过应用BSM方法，研究人员发现LLM在两个评估集上的准确率都得到了显著提高。
除了这些实验结果，研究人员还讨论了System 2蒸馏技术的局限性。他们指出，并非所有任务都适合蒸馏，特别是那些需要复杂推理的任务，如Chain-of-Thought方法。此外，他们还指出，由于自监督学习的性质，模型的性能可能受到所应用的过滤器的影响。
