한 줄 요약
OpenMathInstruct-2는 Llama3.1을 활용해 생성된 14M개의 수학 문제-해답 쌍을 포함한 오픈소스 학습 데이터셋으로, Llama3.1-8B-Base 모델을 fine-tuning한 결과 MATH 데이터셋에서 15.9% 성능 향상을 달성했다.
핵심 기여도
- **Llama3.1 기반의 14M개 수학 문제-해답 쌍 생성** (OpenMathInstruct-2), 이전 최대 오픈소스 데이터셋 대비 약 8배 확장.
- **Chain-of-Thought(CoT) 형식 최적화**로, 기존 Llama CoT 대비 3.9% 성능 향상, 40% 짧은 해답 길이 유지.
- **강력한 teacher 모델(Llama3.1-405B-Instruct) 사용 시, 동일 크기의 student 모델 대비 7.8% 성능 향상**.
- **SFT가 최대 20%의 저품질 데이터에도 안정적**하며, 질문 다양성 증가(1K → 6.5K)로 MATH 검증 집합에서 10.5% 성능 향상.
핵심 아이디어
수학 추론 능력을 향상시키기 위한 학습 데이터셋은 대부분 비공개이거나 제한된 라이선스로 인해 연구자들이 데이터 구성과 합성 방식의 영향을 이해하기 어려웠다. 본 연구는 Llama3.1 모델을 활용해 **고품질 수학 학습 데이터를 생성**하고, 이를 기반으로 **instruction tuning 데이터셋인 OpenMathInstruct-2를 개발**했다. 핵심 통찰은 다음과 같다:
- **해답 형식**(CoT)이 학습 성능에 큰 영향을 미치며, **과도한 길이의 해답은 성능 저하**를 초래한다.
- 강력한 teacher 모델(Llama3.1-405B-Instruct)이 생성한 데이터는 동일 크기의 student 모델(Llama3.1-8B-Base)이 생성한 데이터보다 7.8% 더 높은 성능을 보인다.
- **질문 다양성**(unique question 수 증가)은 학습 데이터 확장 시 성능 향상에 **10.5%의 절대 개선**을 제공하며, **저품질 데이터에 대한 필터링이 필요하지 않다**는 점에서 SFT의 **로버스트성**이 입증되었다.
기술적 접근법
- **데이터 생성**: Llama3.1-405B-Instruct 모델을 teacher로 사용하여 MATH와 GSM8K 문제에 대한 해답을 합성하고, 새로운 문제-해답 쌍을 생성.
- **해답 형식**: 기존 Llama CoT 대비 40% 짧은 해답 길이를 유지하면서도 3.9% 더 높은 성능을 보이는 **개선된 CoT 형식** 사용.
- **SFT 학습**: Llama3.1-8B-Base 모델을 4 에포크, 배치 크기 256, 학습률 5e-6, weight decay 1e-2로 학습.
- **데이터 정제**: lm-sys 파이프라인과 수작업 검토를 통해 **테스트셋 오염 방지**.
- **성능 평가**: GPT-4o를 사용한 자동 평가와 256개 샘플에 대한 다수결 투표를 통해 정확도 측정.
주요 결과
- **MATH 데이터셋에서 OpenMath2-Llama3.1-8B 모델**이 Llama3.1-8B-Instruct 대비 **15.9% 절대 개선** (51.9% → 67.8%).
- **OpenMath2-Llama3.1-70B 모델**은 MATH에서 **71.9% 정확도** 달성, Llama3.1-70B-Instruct 대비 **3.9% 개선**.
- **질문 다양성 증가**(1K → 6.5K)로 MATH 검증 집합에서 **10.5% 절대 개선**.
- **20%의 저품질 데이터 포함 시에도 SFT 성능 유지**.
의의 및 한계
OpenMathInstruct-2는 수학 추론 분야에서 **가장 큰 규모의 오픈소스 학습 데이터셋**으로, 연구자들이 데이터 구성과 합성 방식의 영향을 자유롭게 분석할 수 있도록 기여한다. 또한, 학습 데이터 생성 과정에서 **강력한 teacher 모델의 활용**과 **해답 형식 최적화**를 통해 **고품질 학습 데이터를 생성**할 수 있음을 보여준다. 그러나 본 연구는 **GSM8K, MATH 등 기존 문제 기반의 합성 데이터**를 사용하기 때문에, **완전히 새로운 문제 유형의 생성 가능성**은 명시되지 않았다. 또한, **비공개 모델**(예: GPT-4o)을 사용한 평가가 포함되어 있어, **오픈소스 모델 간 비교의 공정성**에 대한 논란이 있을 수 있다.
실용적 활용
OpenMathInstruct-2는 수학 교육, AI 모델 학습, 학술 연구 등에서 **고품질 수학 학습 데이터가 필요한 모든 분야**에 적용 가능하다. 특히, **Llama3.1과 같은 오픈소스 모델의 학습 데이터 확장** 및 **instruction tuning 최적화**에 활용할 수 있으며, **비상업적 및 상업적 용도 모두 가능**하다는 라이선스 특성 덕분에 **산업 및 연구 기관에서 폭넓게 사용**될 수 있다.