研究者表示，如果 Sytem 2 蒸馏可以成为未来持续学习 AI 系统的重要特征，则可以进一步提升 System 2 表现不那么好的推理任务的性能。
谈到大语言模型（LLM）的策略，一般来说有两种，一种是即时的 System 1（快速反应），另一种是 System 2（慢速思考）。
其中 System 2 推理倾向于深思熟虑的思维，生成中间思维允许模型（或人类）进行推理和规划，以便成功完成任务或响应指令。在 System 2 推理中，需要付出努力的心理活动，尤其是在 System 1（更自动化思维）可能出错的情况下。
因此，System 1 被定义为 Transformer 的应用，可以根据输入直接生成响应，而无需生成中间 token。Sytem 2 被定义为生成中间 token 的任何方法，包括执行搜索或多次提示然后最终生成响应的方法。
业界已经提出了一系列相关的 System 2 技术，包括思维链、思维树、思维图、分支解决合并、System 2 Attention、Rephrase and Respond (RaR) 等。得益于这种明确的推理，许多方法都显示出更准确的结果， 但这样做通常会带来更高的推理成本和响应延迟。因此，许多此类方法未在生产系统中使用，而大多使用了 System 1。
对于人类来说， 学习将技能从深思熟虑（System 2）转移到自动（System 1）的过程在心理学中被称为自动性，以及程序记忆的使用。例如，第一次开车上班时，人们通常会花费有意识的努力来计划和做出到达目的地的决定。而在驾驶员重复这条路线后，驾驶过程就会「编译」到潜意识中。同样，网球等运动可以成为「第二天性」。
在本文中，来自 Meta FAIR 的研究者探索了一种类似的 AI 模型方法。该方法在给定一组未标记示例的情况下以无监督的方式执行编译，被称为 System 2 蒸馏。对于每个示例，他们应用给定的 System 2 方法，然后以无监督的方式测量预测的质量。
例如对于具有唯一答案的任务，研究者应用自洽性（self-consistency）并多次进行采样。对于 System 2 足够一致的示例，他们假设应该蒸馏此结果，并将其添加到蒸馏池中。然后对 System 1 进行微调，以匹配 System 2 方法对收集的示例池的预测，但不生成中间步骤。下图 1 说明了将 System 2 蒸馏到 System 1 的整体过程。
研究者对 4 种不同的 System 2 LLM 方法和 5 种不同的任务进行了实验。结果发现，本文方法可以在各种设置中将 System 2 推理蒸馏回 System 1 中，有时甚至比 System 2 教师的结果更好。此外，这些预测现在只需花费计算成本的一小部分即可产生。
例如，他们发现成功的蒸馏适用于处理有偏见的意见或不相关信息的任务（System 2 Attention）、澄清和改进某些推理任务中的响应（RaR）以及 LLM 的细粒度评估（分支 - 解决 - 合并）。
不过，并非所有的任务都可以蒸馏到 System 1 中，尤其是需要思维链的复杂数学推理任务。这也反映在人类身上，如果没有深思熟虑的 System 2 推理，人类就无法执行某些任务。
论文地址：https://arxiv.org/pdf/2407.06023v2
将 System 2 蒸馏回 System 1
设置：System 1 和 System 2 模型
给定一个输入 x，研究者考虑设置一个单一模型，在他们的例子中是一个大语言模型 (LLM)，它能够实现两种响应模式：
System 1：直接生成输出 y。这类方法通过转发（forwarding）底层自回归神经网络 (Transformer) 的各层来生成输出标记来完成。
System 2。这类方法使用底层 Transformer 在生成最终响应 token 之前生成任何类型的中间输出标记 z，可能包括多次调用（提示）。
从形式上，研究者将 System 2 模型 S_II 视为一个函数，它接受 LLM p_θ 和输入 x，并且可以重复调用 LLM 以使用特定算法生成中间标记 z，然后返回输出 y：
System 2 方法可能涉及多个提示、分支、迭代和搜索，同时使用 LLM 生成中间结果以供进一步处理。相比之下，System 1 模型仅考虑原始输入 x 并直接调用 LLM pθ 来生成输出 y：
方法：System 2 蒸馏
本文方法的第一步是使用 System 2 模型对未标记的输入 X 生成响应：
然后，这些响应 y^i_S_II 可直接用作 System 2 蒸馏目标，以微调 System 1 模型。但是，它们容易受到噪声的影响：其中一些响应可能是高质量的，而另一些可能是低质量或不正确的。对于涉及简短响应（通常具有唯一正确（但未知）的答案）的简短问答和推理任务，研究者考虑采用无监督管理步骤来尝试提高训练数据质量。他们考虑了以下两种依赖于自洽性标准的变体：
输出的自洽性：对 S_II (x^i ; p_θ) 进行总共 N 次采样，并接受多数投票响应；如果没有多数投票获胜者，则丢弃该示例。
输入扰动下的自洽性：以输出不变的方式扰动输入 x^i，例如改变提示中多项选择题的顺序，并计算每次扰动的 S_II；如果输出不一致，则丢弃该示例。
之后研究者得到了合成数据集 (X_S_II , Y_S_II)，其中 X_S_II 是 X 的一个过滤子集，目标是 Y_S_II。最后一步是使用这个蒸馏出来的训练集对参数为 p_θ 的 LLM 进行监督微调。研究者通常从当前状态 p_θ 初始化此模型，然后继续使用新数据集进行训练。微调后，他们得到一个 LLM 
，这是一个 System 1 模型，预计可提供与评估的 System 2 模型类似的输出和性能提升。
实验结果
训练和评估设置
研究者使用 Llama-2-70B-chat 作为所有实验的基础模型。他们需要一个具有足够能力的基础模型，使其能够像 System 2 模型一样高效运行，同时还具有可以微调的开放权重，因此做出了此选择。
同时，研究者考虑了几种 System 2 方法，包括 System 2 Attention、 RaR、分支解决合并（Branch-Solve-Merge）和思维链， 并重点关注每种方法都显示出强大性能的任务。
对于 System 1，研究者使用指令调整后的基础模型作为标准基线进行零样本推理。他们报告每个任务的任务特定指标，以及「#Tokens」指标，后者衡量评估集上每个输入生成的平均 token 数量。System 2 方法则包括中间 token 生成以及最终输出 token 生成。
Rephrase and Respond 蒸馏
RaR 是一种 System 2 方法，它首先提示语言模型以进一步阐述的方式来复述原始问题，然后基于复述的问题生成响应，目的是提供更优的输出。
对于蒸馏数据，研究者使用输出的自洽性为 RaR 构建 System 2 蒸馏数据集。对于每个输入，他们对最后一个字母（ last letter）任务进行了八次采样迭代，并同样对硬币翻转（coin flip）任务的每个阶段进行八次采样迭代，然后用多数投票来确定最终输出。
首先来看最后一个字母连接（Last letter Concatenation）任务。此任务侧重于符号推理，要求模型连接给定单词的最后一个字母。整体结果如下表 1 所示。
基线 System 1 模型 (Llama-2-70B-chat) 的准确率达到 30.0%，低于 System 2 的 1-Step 和 2-Step RaR 方法（分别为 39.5% 和 44.5%）。通过本文无监督技术将 2-Step RaR 方法蒸馏回 System 1 Llama-2-70B-chat 模型，则实现了 98.0% 的惊人准确率。
与零样本聊天模型相比，模型可以有效地从这些训练数据中学习如何解决任务。RaR 的蒸馏有效地继承了 System 2 和 System 1 的优势，既保留了 System 2 的准确率优势，而其推理成本与 System 1 相当。
再来看硬币翻转推理任务。这种符号推理任务经常在研究中进行测试，它涉及确定硬币的最终面（正面或反面），从已知的初始位置开始，经过一系列用自然语言描述的翻转，例如「硬币正面朝上」。
整体结果见上表 1。Llama-2-70B-chat（零样板）在此任务上的成功率为 56.1%，而 1-Step 和 2-Step RaR 的成功率分别为 58.5% 和 77.2%。因此，使用 2-Step 方法获得了巨大改进。通过本文无监督技术将 2-Step RaR 蒸馏回 System 1 Llama-2-70B-chat 可以获得 75.69% 的结果。
因此，蒸馏的 System 2 模型提供的性能与 System 2（2 Step RaR）相当，但不需要使用 2 个提示执行 LLM 程序。
System 2 Attention 蒸馏
Weston 和 Sukhbaatar (2023) 提出了 System 2 Attention (S2A)，这种方法有助于减少模型的推理陷阱，例如依赖输入中的偏见信息或关注不相关的上下文。
研究者验证了将 S2A 提炼到 System 1 中的可行性，特别是 SycophancyEval 问答任务，该任务包含已知会损害 LLM 性能的输入中的偏见信息。
结果如下表 2 所示，报告了 3 个随机种子的平均准确率。正如预期，基线（System1）LLM 在有偏见部分的准确率较低，容易受到有偏见输入的影响。S2A 显著提高了有偏见输入的性能。System 2 蒸馏表现出与 System 2 方法类似的强大性能。
更多实验结果请参阅原论文。
