LLM自學(xué)成才變身「預(yù)言家」！預(yù)測(cè)未來(lái)能力大幅提升
最近，有個(gè)爆火的話(huà)題：LLM學(xué)會(huì)教自己預(yù)測(cè)未來(lái)了！
像神秘的預(yù)言家一樣，預(yù)測(cè)未來(lái)的天氣、某部電影的票房成績(jī)，甚至是股市走勢(shì)，聽(tīng)起來(lái)是不是特別像科幻電影里的情節(jié)？
來(lái)自Lightning Rod Labs和倫敦政治經(jīng)濟(jì)學(xué)院的研究者對(duì)提升LLM預(yù)測(cè)未來(lái)的能力展開(kāi)了研究。
圖片
論文鏈接：https://arxiv.org/abs/2502.05253
人類(lèi)專(zhuān)家在預(yù)測(cè)時(shí)，會(huì)綜合考量大量的信息，包括各種事實(shí)、發(fā)展趨勢(shì)，以及相互矛盾的證據(jù)等，經(jīng)過(guò)復(fù)雜的分析和思考，才能做出較為準(zhǔn)確的預(yù)測(cè)。
在金融領(lǐng)域，準(zhǔn)確的市場(chǎng)預(yù)測(cè)能夠幫助投資者把握時(shí)機(jī)，做出明智的投資決策，實(shí)現(xiàn)財(cái)富的增長(zhǎng)。
在商業(yè)領(lǐng)域，對(duì)市場(chǎng)需求和產(chǎn)品趨勢(shì)的預(yù)測(cè)，能讓企業(yè)提前布局，推出更受消費(fèi)者歡迎的產(chǎn)品，占據(jù)市場(chǎng)優(yōu)勢(shì)。
為了提升LLM的預(yù)測(cè)能力，科研人員進(jìn)行了諸多嘗試，采用了數(shù)據(jù)聚合、新聞檢索、模型微調(diào)等多種方法。
這些方法在一定程度上確實(shí)提高了模型的預(yù)測(cè)性能，但它們存在一個(gè)共同的問(wèn)題——過(guò)度依賴(lài)人工整理的數(shù)據(jù)。
比如，需要借助最新的大眾預(yù)測(cè)結(jié)果，或者依賴(lài)人工篩選的內(nèi)容。而且，模型往往無(wú)法從已經(jīng)確定結(jié)果的事件中學(xué)習(xí)經(jīng)驗(yàn)，實(shí)現(xiàn)自我提升。
獲取人工數(shù)據(jù)成本高昂，效率也較低，使得模型難以持續(xù)學(xué)習(xí)和進(jìn)步。
LLM的「自學(xué)秘籍」
研究人員提出了一個(gè)結(jié)果驅(qū)動(dòng)的微調(diào)框架，讓LLM能夠擺脫對(duì)人工輸入的過(guò)度依賴(lài)，通過(guò)自我學(xué)習(xí)來(lái)提升預(yù)測(cè)能力。
圖片
讓模型「自我博弈」，生成多樣化推理軌跡和概率預(yù)測(cè)。根據(jù)這些推理預(yù)測(cè)與實(shí)際結(jié)果的接近程度，對(duì)推理組合進(jìn)行排序。最后，利用直接偏好優(yōu)化（DPO）技術(shù)對(duì)模型進(jìn)行微調(diào)。
圖片
數(shù)據(jù)與新聞收集
研究人員從預(yù)測(cè)市場(chǎng)Polymarket收集了多達(dá)12100個(gè)具有二元結(jié)果的預(yù)測(cè)問(wèn)題，像「奧特曼會(huì)參加總統(tǒng)就職典禮嗎？」「FTX在2024年會(huì)停止付款嗎？」。
研究者篩選數(shù)據(jù)，排除了那些結(jié)果不明確的問(wèn)題，并將剩余數(shù)據(jù)劃分為訓(xùn)練集和測(cè)試集。
訓(xùn)練集包含9800個(gè)問(wèn)題，其結(jié)果在2024年7月1日至12月15日期間確定；測(cè)試集則有2300個(gè)問(wèn)題，結(jié)果在2024年12月25日至2025年1月23日揭曉。
圖片
將事件未發(fā)生標(biāo)記為「0」，發(fā)生標(biāo)記為「1」。為了評(píng)估模型預(yù)測(cè)的準(zhǔn)確性，研究人員引入了Brier分?jǐn)?shù)（BS）這一指標(biāo)，分?jǐn)?shù)越低，代表預(yù)測(cè)越準(zhǔn)確。
圖片
其中N代表預(yù)測(cè)問(wèn)題數(shù)量。
在答案揭曉前14天，研究人員借助NewsCatcher API收集新聞。先通過(guò)GPT-4o生成搜索查詢(xún)，再利用Newscatcher等外部新聞檢索服務(wù)，對(duì)相關(guān)新聞進(jìn)行聚合和處理。
這些新聞將為后續(xù)模型的自我學(xué)習(xí)和預(yù)測(cè)提供重要的支持。
模型Self-Play數(shù)據(jù)生成
研究者選用了Phi-4 14B和DeepSeek-R1 14B這兩個(gè)模型。別看參數(shù)只有14B，在一般科學(xué)和編程基準(zhǔn)測(cè)試中，表現(xiàn)十分出色。
研究人員讓這兩個(gè)模型針對(duì)每個(gè)問(wèn)題進(jìn)行推理，并給出最終的概率預(yù)測(cè)。
對(duì)于Phi-4 14B模型，采用scratchpad提示法，就像給它提供了一個(gè)草稿本，便于逐步展示推理過(guò)程。DeepSeek-R1 14B模型由于輸出中已有<think>標(biāo)簽，所以使用零樣本提示法。
提示內(nèi)容不僅有問(wèn)題本身，還包含收集到的新聞?wù)Ｃ總€(gè)問(wèn)題都會(huì)生成一對(duì)推理軌跡，具體做法是先生成一個(gè)推理和預(yù)測(cè)，然后最多重新運(yùn)行四次，以獲得第二個(gè)不同的預(yù)測(cè)。若后續(xù)預(yù)測(cè)都相同，則舍棄這組預(yù)測(cè)。
最終，為9427個(gè)預(yù)測(cè)問(wèn)題，生成了18854條推理軌跡。
基于結(jié)果的重新排序
生成推理軌跡和預(yù)測(cè)結(jié)果后，需要根據(jù)預(yù)測(cè)與實(shí)際結(jié)果的接近程度進(jìn)行重新排序。
研究人員定義了一個(gè)排序指標(biāo)，通過(guò)計(jì)算預(yù)測(cè)概率與實(shí)際結(jié)果的絕對(duì)差值來(lái)衡量?jī)烧叩慕咏潭取?/span>
例如，若實(shí)際結(jié)果為0，一個(gè)預(yù)測(cè)概率是4%，另一個(gè)是8%，那么概率為4%的預(yù)測(cè)推理軌跡排名更高。這樣，模型就知道哪些推理方式能帶來(lái)更準(zhǔn)確的預(yù)測(cè)。
此外，為了排除新聞聚合信息對(duì)排序的影響，研究人員還微調(diào)了一組標(biāo)簽隨機(jī)化的控制模型，通過(guò)對(duì)比，來(lái)確定模型的學(xué)習(xí)效果是否源于更準(zhǔn)確的預(yù)測(cè)依據(jù)。
直接偏好優(yōu)化（DPO）微調(diào)
研究人員使用直接偏好優(yōu)化（DPO）方法對(duì)Phi-4 14B和DeepSeek-R1 14B進(jìn)行微調(diào)。
這種方法無(wú)需訓(xùn)練單獨(dú)的獎(jiǎng)勵(lì)模型，而是直接從模型自我博弈生成的排序推理對(duì)中學(xué)習(xí)獎(jiǎng)勵(lì)信號(hào)。即使單個(gè)預(yù)測(cè)并不完美，DPO也能通過(guò)成對(duì)比較，發(fā)現(xiàn)預(yù)測(cè)之間的細(xì)微質(zhì)量差異，系統(tǒng)地糾正偏差。
與傳統(tǒng)的監(jiān)督微調(diào)（SFT）相比，SFT依賴(lài)人工挑選的示例，并視其為完全正確，容易丟棄有價(jià)值的信息。DPO則能從所有樣本中學(xué)習(xí)，顯著提高了微調(diào)過(guò)程的穩(wěn)健性和效率。
在微調(diào)過(guò)程中，研究人員使用LoRA適配器，對(duì)參數(shù)進(jìn)行了精心調(diào)整，如設(shè)置合適的學(xué)習(xí)率、使用AdamW優(yōu)化器、采用BF16混合精度等，用8個(gè)H100 GPU訓(xùn)練。
Phi-4 14B在第五輪訓(xùn)練時(shí)效果趨于穩(wěn)定，而DeepSeek-R1 14B在第四輪就達(dá)到了穩(wěn)定狀態(tài)。
圖片
最后，用一個(gè)包含2300個(gè)問(wèn)題的測(cè)試集來(lái)檢驗(yàn)?zāi)Ｐ偷膶W(xué)習(xí)成果。
這個(gè)測(cè)試集的問(wèn)題結(jié)果在訓(xùn)練集最后一個(gè)問(wèn)題結(jié)果出來(lái)10天后才揭曉，確保微調(diào)后的模型沒(méi)有接觸過(guò)與測(cè)試集相關(guān)的新聞信息，以免影響測(cè)試結(jié)果。
每個(gè)模型都以原始基礎(chǔ)模型、使用正確結(jié)果微調(diào)的模型，以及使用隨機(jī)結(jié)果微調(diào)的對(duì)照模型這三個(gè)版本參與測(cè)試。這樣可以清晰地區(qū)分模型的學(xué)習(xí)效果是源于接觸新信息，還是優(yōu)化推理過(guò)程。
在測(cè)試時(shí)，針對(duì)不同模型設(shè)計(jì)了特定的提示。Phi-4 14B模型的提示就像一份詳細(xì)的任務(wù)指南，引導(dǎo)它逐步思考。DeepSeek-R1 14B模型則被設(shè)定為專(zhuān)家角色，直接進(jìn)行預(yù)測(cè)。
兩個(gè)模型都會(huì)獲得問(wèn)題、問(wèn)題背景、判斷標(biāo)準(zhǔn)、當(dāng)前日期、問(wèn)題截止日期以及最多10篇新聞文章的摘要等信息。
最終，收集了每個(gè)模型對(duì)2300個(gè)問(wèn)題的預(yù)測(cè)結(jié)果，模型均給出了有效的預(yù)測(cè)。
圖片
預(yù)測(cè)能力大幅提升
經(jīng)過(guò)這一系列操作，Phi-4 14B和DeepSeek-R1 14的預(yù)測(cè)準(zhǔn)確性有了顯著提升。
Phi-4 14B和DeepSeek-R1 14B的預(yù)測(cè)準(zhǔn)確率，比基礎(chǔ)模型以及用DPO微調(diào)但標(biāo)簽隨機(jī)化的對(duì)照模型提高了7-10%，在預(yù)測(cè)能力上能與GPT-4o這樣的大型模型相媲美。
圖片
圖中展示了每個(gè)模型的Brier分?jǐn)?shù)核密度估計(jì)，較低的Brier分?jǐn)?shù)表示較高的準(zhǔn)確性。
Phi-4 14B微調(diào)后的平均Brier分?jǐn)?shù)達(dá)到0.200，優(yōu)于隨機(jī)標(biāo)簽的對(duì)照模型（0.214）和基礎(chǔ)模型（0.221）。DeepSeek-R1 14B微調(diào)后的平均Brier分?jǐn)?shù)為0.197，同樣超過(guò)了其對(duì)照模型（0.212）和基礎(chǔ)模型（0.212）。
圖片
通過(guò)獨(dú)立樣本t檢驗(yàn)發(fā)現(xiàn)，兩個(gè)微調(diào)后的模型在預(yù)測(cè)準(zhǔn)確性上都顯著優(yōu)于各自的基礎(chǔ)和對(duì)照模型，并且在經(jīng)過(guò)多重比較調(diào)整p值后，這一結(jié)論依然成立。
充分證明了該方法能夠切實(shí)有效地提升模型的預(yù)測(cè)性能，而且這種提升并非源于微調(diào)時(shí)接觸的額外信息。
圖片
與前沿模型GPT-4o相比，Phi-4 14B和DeepSeek-R1 14B雖然參數(shù)較少，但微調(diào)后的預(yù)測(cè)性能卻與之相當(dāng)。
在統(tǒng)計(jì)檢驗(yàn)中，微調(diào)后的模型與GPT-4o之間沒(méi)有顯著差異。
進(jìn)一步分析模型在不同問(wèn)題上的預(yù)測(cè)準(zhǔn)確性分布，可以發(fā)現(xiàn)微調(diào)后的模型雖然偶爾會(huì)出現(xiàn)一些準(zhǔn)確性極低的預(yù)測(cè)（Brier分?jǐn)?shù)高于0.5），但同時(shí)也能做出更多極其準(zhǔn)確的預(yù)測(cè)（Brier分?jǐn)?shù)低于0.05）。
以DeepSeek-R1 14B為例，微調(diào)后的模型有8.52%的問(wèn)題Brier分?jǐn)?shù)高于0.5，略高于基礎(chǔ)模型（7.48%）和對(duì)照模型（7.61%）；但有32.78%的問(wèn)題Brier分?jǐn)?shù)低于 0.05，遠(yuǎn)高于基礎(chǔ)模型（23.22%）和對(duì)照模型（23.13%），Phi-4 14B也呈現(xiàn)出類(lèi)似的趨勢(shì)。
這項(xiàng)研究為L(zhǎng)LM提升預(yù)測(cè)能力開(kāi)辟了新的道路。
通過(guò)自我博弈和直接偏好優(yōu)化，LLM能在不依賴(lài)大量人工標(biāo)注數(shù)據(jù)的情況下，從實(shí)際結(jié)果中學(xué)習(xí)并改進(jìn)預(yù)測(cè)，使小模型也能達(dá)到與大模型相媲美的性能，極大地提高了實(shí)用性和應(yīng)用范圍。
參考資料：
