Daily Arxiv

전 세계에서 발간되는 인공지능 관련 논문을 정리하는 페이지 입니다.
본 페이지는 Google Gemini를 활용해 요약 정리하며, 비영리로 운영 됩니다.
논문에 대한 저작권은 저자 및 해당 기관에 있으며, 공유 시 출처만 명기하면 됩니다.

Athena: Enhancing Multimodal Reasoning with Data-efficient Process Reward Models

Created by
  • Haebom
Category
Empty

저자

Shuai Wang, Zhenhua Liu, Jiaheng Wei, Xuanwu Yin, Dong Li, Emad Barsoum

개요

Athena-PRM은 복잡한 추론 문제 해결 과정의 각 단계에 대한 보상 점수를 평가하도록 설계된 멀티모달 프로세스 보상 모델(PRM)이다. 고성능 PRM 개발에 필요한 시간과 비용을 절감하기 위해, 약한 완성자와 강한 완성자 간의 예측 일관성을 활용하여 신뢰할 수 있는 프로세스 레이블을 식별한다. Athena-PRM은 5,000개의 샘플만으로 다양한 시나리오와 벤치마크에서 뛰어난 성능을 보이며, ORM 초기화 및 부정 데이터 업샘플링을 통해 PRM의 성능을 향상시킨다. 테스트 시간 확장, 추론 단계 정확성 직접 평가, 보상 랭킹 미세 조정 등 세 가지 시나리오에서 검증되었으며, Qwen2.5-VL-7B를 정책 모델로 사용 시 WeMath에서 10.2점, MathVista에서 7.1점 향상과 VisualProcessBench에서 3.9 F1-score 향상을 달성했다. 또한, Athena-PRM을 활용한 Athena-7B는 다섯 개의 벤치마크에서 기준선보다 우수한 성능을 보였다.

시사점, 한계점

•
시사점:
◦
획득하기 어려운 단계별 어노테이션 없이 고품질 프로세스 레이블을 효율적으로 생성.
◦
소량의 데이터로도 다양한 벤치마크에서 우수한 성능 달성.
◦
테스트 시간 확장, 추론 단계 정확성 평가, 보상 랭킹 미세 조정 등 다양한 시나리오에서 효과적.
◦
Qwen2.5-VL-7B 정책 모델과 연동 시 성능 향상.
◦
VisualProcessBench에서 SoTA 달성.
◦
보상 랭킹 미세 조정을 통한 추가적인 성능 향상.
•
한계점:
◦
구체적인 한계점은 논문에 명시되지 않음. (논문 요약에 한계점에 대한 직접적인 언급 부재)
👍
Made with Slashpage