本篇是《带你自学大语言模型》系列的番外篇，写一些我最近研究OpenAI o1和推理Scaling Laws后的一些个人观点分享。
本节目录
-
写在前面
-
- o1 目前是一个原型，而非产品
-
- 关于所谓的“范式转移”
-
- “推理 Scaling Laws”当前的研究现状
-
- 相关资料
欢迎关注同名公众号【陌北有棵树】，关注AI最新技术与资讯。
本系列目录
《带你自学大语言模型》系列部分目录及计划，完整版目录见：带你自学大语言模型系列 —— 前言
第一部分 走进大语言模型（科普向）
-
第一章 走进大语言模型
第二部分 构建大语言模型（技术向）
-
第二章 基础知识
-
… …
第三部分 大语言模型应用
- 第六章 检索增强生成（RAG）
… …
写在前面
关于这次发布的o1（准确来讲是o1-preview）的热度，只能说AI已经有一段时间没有新故事了，同时OpenAI应该是又缺钱了，所以又讲了个故事来给AI续了一波命，最近也有新闻OpenAI最新融资65亿美元，当前估值已经达到1500亿美元。可见会讲故事有多重要，Anthropic 真应该学学…
各种新闻和解读已经满天飞，已有内容我也不想再去重复了，就写一些自己的观点和这几天的研究成果吧。
我倒觉得与其说什么“范式转移”，倒不如实在一点，就是数据不够了，更准确说是优质数据不够了，否则谁不想要一个能力更强的基座模型呢？不上清华难道是因为不喜欢吗？
GPT4是2023年3月发布的，在2022年8月就已经预训练完成，所以从GPT4到我们期待的GPT5，已经卡了近两年的时间，从这一年来OpenAI发布Sora、发布GPT 4o，其实都能看出，都是在模型的感知层面，而非认知层面做文章。
但如果模型能力无法再提升一个量级，之前画的很多饼都没法兑现。Agent之所以直到现在还是个饼，就是因为大模型的推理能力还不够，如果推理能力始终停在GPT-4的水平，很多场景都落不了地，所以4o的多模态方向只能说是个权宜之计，这场戏要想接着唱下去，推理能力还是要有实打实的提升。
上次我在CSDN的分享里，也提到了推理能力对于应用落地的重要性，大家感兴趣可以去看：AI时代的程序员：关于创业、应用开发与快速成长的经验分享 | CSDN杭州线下分享
好在大佬们又找到了新的解法。具体是什么呢？打个比方，如果把模型比成一个个人，GPT4就是目前基因最优的，但如果想让他基因再优秀一点，就得投入更大的成本，投入产出比太低了。于是有了4o和o1，无论是提升他“看世界”的感知层面能力，还是提升他的逻辑推理能力，都属于对他的再教育阶段。
其实这对国内大模型厂商某种程度是利好，拿着LLama 3.1 405B去搞推理阶段的强化学习，至少是差距没那么大了。
1. o1 目前是一个原型，而非产品
之所以把这句列成一个小标题，主要还是想提醒大家，短期不要预期过高，但也不代表你要忽略它长期的价值。
Open AI的应用研究负责人自己都说，o1更接近于CPT-3的发布，而不是ChatGPT，Sam Altman 对此更为保守，他说目前还只是 GPT-2的阶段。也就是说，o1并不是一个已经找到PMF的产品，而是一个原型，一个试验品。
虽然当前极大概率达不到预期，但至少未来可期。从应用侧，只要模型能力在持续渐进式解锁，在解锁过程中就能不断打开新的场景，已经有Cursor 和 Claude-3.5-Sonnet做了验证：
Cursor之所以在这个时间点能火起来，很大程度上是因为 Claude-3.5-Sonnet 的代码能力变强了，而 Claude 3.5 Sonnet 代码能力显著提升的背后其实也是强化学习在起作用。
这至少了证明了两件事，一是模型推理能力的提升，对于新场景的解锁起着至关重要的作用，二是 Claude-3.5-Sonnet 的代码推理能力真的不错，Anthropic用的应该也是类似的方式，强化学习这个路子目前看起来可行。而且Anthropic 真的是一个闷声搞事情的公司，不容忽视。
2. 关于所谓的“范式转移”
的确是技术路线上发生了一些转移，但真的不要动不动就“范式”什么的了，听的我是一愣一愣的，都是在摸着石头过河，只不过OpenAI摸过的石头，大家就觉得这块石头开过光，但现在，谁又能说自己就是银弹呢？
如前文说，到GPT4的时候，其实已经出现了停滞，再在预训练阶段堆算力和数据（也就是原来的Scaling Law），成本很高，而且已经显现出边际递减的效应。
所以这时来到岔路口，一条通向多模态，也就是Sora，GPT4o，另一条就是o1的推理模型，如果让我用一句话总结GPT4o和 o1 的区别，4o 在做感知层面的加强，o1 在做认知层面的加强。 我相信OpenAI的目标肯定是奔着推理能力去的，从他们给出的AI 的五个发展阶段，也能看出他们的主线是没变的。
第一阶段（聊天机器人）到第二阶段（推理系统）的转变花了很长时间。但第二阶段可以相对较快地过渡到第三阶段（AI 智能体）。
在OpenAI的官方文章里，一直强调这是一个推理模型，而不是一个大语言模型。甚至为了和之前的GPT系列做切割，这个系列连名字都改了，也看出OpenAI划清界限的决心。之所以这么着重强调这点，是因为两者的路线和训练方式是不同的。再进一步延伸GPT系列和o系列在底层的差别：
GPT系列的技术路线：「预训练 + 微调 + RLHF」
先在预训练阶段用海量数据教大模型学会预测下一个词，然后在精调阶段让大模型学习特定领域的知识，让人类写回答教大模型什么是人想要的答案，机器根据反馈来改进。
o1系列的关键词：「强化学习 + 思维链 + Self-play」
OpenAl如此描述这个过程:“通过强化学习，o1学会如何打磨自己的思维链，并完善它所使用的策略。它学会了识别和纠正自己的错误;将复杂步骤分解为更简单的步骤;在当前方法不起作用时尝试不同的方法。这极大地提高了模型的推理能力。"
强化学习的作用是什么？其实是让模型“学会慢思考”，说白了就是用推理时间换训练时间。简单来说，既然模型不知道如何做推理，那就在推理阶段让人来告诉它怎么推。这就是思维链，思维链之前是通过在模型外部通过prompt来唤起的，o1做的就是将CoT内化到模型内部，让模型自己生产推理步骤并内部评估，以实现内在自动化。
OpenAI并不是第一个在研究用强化学习提升推理能力的公司，Google、Anthropic 也在这个方向上发力，Claude 3.5 Sonnet在GPQA测试中的得分为67.2%，超过了领域内专业博士的水平，只是相关的技术细节没有透漏，Google在8月份就发布了一篇论文《 Scaling LLM Test-Time Compute Optimally can be More Effective than Scaling Model Parameters》技术路线上和OpenAI此次公布的如出一辙。
目前这个技术学界和各大厂究竟研究到哪一步呢，下面这些论文可以给出一些启发。
3. “推理 Scaling Laws”当前的研究现状
在o1之前，已经有一些针对“推理时优化”相关的研究和论文了，这些论文后面如果有机会，我会再单独写，所以这里先简单概括：
【1】《Let’s Verify Step by Step》 （https://arxiv.org/abs/2305.20050），这篇论文是OpenAI发表的，发表于2023年5月，Ilya也是作者之一，所以无论是Q*，还是o1，底层的逻辑大概率逃不出这篇论文。论文中提出了通过过程监督（Process Supervision, PRM） 来训练更可靠的奖励模型，以解决多步推理任务中的逻辑错误问题。所谓的过程监督就是：在每个推理步骤后提供反馈，指示该步骤是否正确。这种方法提供了更精确的反馈，因为它指定了错误发生的具体位置。文中比较了过程监督和结果监督两种方式在数学推理场景中的效果，证明了过程监督能够减少逻辑错误和提高数据效率。
下图是文中给出的过程监督的例子：
剩下的几篇都是近期的论文，我按照时间顺序来列，这个领域现在看起来还的确比较新，而且比较空白。这几篇文章都通过不同的方式，证明了在推理阶段做一些优化，能够提升模型性能：
【2】《Are More LLM Calls All You Need? Towards Scaling Laws of Compound Inference Systems》 （ https://arxiv.org/abs/2403.02419)，这篇论文主要研究复合系统（Compound AI Systems）的可扩展性，所谓的复合系统就是通过调用多个语言模型（LM）并聚合它们的响应来实现的。设计了两种复合系统：Vote和Filter-Vote，Vote通过多数投票聚合多个候选答案，而Filter-Vote在多数投票前使用过滤器。
下面这张图表明：随着LM调用的数量增加，Vote和Filter-Vote在简单查询上的表现越来越好，但在困难查询上表现越来越差。
【3】《Large Language Monkeys: Scaling Inference Compute with Repeated Sampling》 （https://arxiv.org/abs/2407.21787），这篇论文v1版本是2024年7月，在9月16号又发表了v2版本，这篇论文主要研究通过通过重复采样的方式来进行推理阶段的Scaling，简单来说就是从语言模型中生成多个候选解决方案。然后，使用特定领域的验证器从生成的样本中选择最终答案。实验表明，这种方式有助于模型覆盖率的显著提升，较小的模型在应用重复采样时显示出更显著的覆盖率提升。
【4】《Scaling LLM Test-Time Compute Optimally can be More Effective than Scaling Model Parameters》 （https://arxiv.org/abs/2408.03314），发表于2024年8月，提出了通过优化推理时间计算来提高LLMs性能的方法。论文提出了两种主要的测试时计算扩展机制：（1）搜索对抗密集的过程验证器奖励模型（searching against dense, process-based verifier reward model）（2）根据提示在测试时自适应更新模型的响应分布（updating the model’s distribution over a response adaptively, given the prompt at test time）
下图比较了三种搜索方式：Best-of-N、Beam search、lookahead-search
基于这两种机制，进而提出了一种“计算最优”的scaling策略，根据问题的难度自适应地分配测试时计算。具体来说，作者定义了“计算最优扩展策略”，通过最大化给定提示下目标分布的准确性来选择超参数。这种策略相比best-of-N，可以再将测试时间的计算效率提高4倍。
【5】《An Empirical Analysis of Compute-Optimal Inference for Problem-Solving with Language Models》 （https://arxiv.org/abs/2408.00724），同样发表于2024年8月，评估了多种推理策略（如贪婪搜索、多数投票、最佳N选1、加权投票及其变体）在不同树搜索算法上的有效性和计算效率，展示了在计算预算有限的情况下，使用较小模型和先进的推理算法可以提高问题解决的准确性，同时保持计算效率。同时提出了REWARD BALANCED SEARCH（REBASE）算法，该算法与加权投票结合良好，并在准确性和推理计算之间实现了帕累托最优权衡。
下图是本文提出的REWARD BALANCED SEARCH（REBASE）算法：
4. 相关资料
下面是我整理一些关于o1的资料，方便大家想要深入学习的话，按图索骥。
1、o1-preview的介绍文档：《Introducing OpenAI o1-preview》（https://openai.com/index/introducing-openai-o1-preview/）【简介】在最开始就说了，这是一系列新的推理模型，目标是解决复杂问题，主要涉及的是科学、代码、数学问题。关于工作原理其实这里没有说太多细节，就一句比较重要：这次主要训练了这些模型在回答问题之前花更多时间思考问题。通过训练，它们学会了优化自己的思考过程，尝试不同的策略，并识别自己的错误。但没说怎么做的…
2、o1-mini的介绍文档：《OpenAI o1-mini》（https://openai.com/index/openai-o1-mini-advancing-cost-efficient-reasoning/）
【简介】除了o1-preview，本次还推出了o1-mini版本，o1-mini是比o1-preview更快，推理成本更低的模型，整体来看，o1-mini 的成本比 o1-preview 低 80%。o1-mini 是一个较小的模型，在预训练期间针对 STEM 推理进行了优化。
3、《Learning to Reason with LLMs》（https://openai.com/index/learning-to-reason-with-llms/），这是一篇介绍o1的技术博客
【简介】这里说了，主要通过强化学习的训练，去实现复杂的推理任务。模型会真正的自己思考，从而产生内在的思维链。 然后给了一些评估结果，这里很多文章都在大肆宣传了，就不细说了。总结就是很好，很牛逼…
【4】《OpenAI o1 System Card》（https://assets.ctfassets.net/kftzwdyauwt9/67qJD51Aur3eIc96iOfeOP/71551c3d223cd97e591aa89567306912/o1_system_card.pdf），这篇大部分是在讲模型的安全性评估，外部红队评估，如果是想探究内部原理的话，这篇或许帮助不大。
【5】《OpenAI’s Strawberry, LM self-talk, inference scaling laws, and spending more on inference》（https://www.interconnects.ai/p/openai-strawberry-and-inference-scaling-laws）
【简介】这篇文章发布的时候，o1还没有发布，所以文中还在延用之前盛传的Strawberry模型，此时 Nathan Lambert 就已经提到相比于复杂的模型微调（fine-tuning），增加推理计算投入可以更直接、更明显地提升模型的能力。一个最简单的方式就是“best of N sampling”，通过生成多个可能的输出（而不仅仅是一个），然后使用另一个模型来选择最佳的输出，RLHF用的也是这种方式，但这种方式其实也可以直接用于下游推理阶段。
这里还提出了“Inference scaling laws”，就是说在模型推理阶段投入更多计算资源可以显著提高模型性能。他也提到了“Inference scaling laws”或许会成为新的范式，于是我就好奇这个概念是他先提出的还是Google先提出的，然后我在Google那篇《Scaling LLM Test-Time Compute Optimally can be More Effective than Scaling Model Parameters》论文的参考文献里，找到了他的论文《Beyond Chinchilla-Optimal: Accounting for Inference in Language Model Scaling Laws》（https://arxiv.org/abs/2401.00448v2），原来他在2023年的时候就已经在研究这个方向了。
【6】《Reverse engineering OpenAI’s o1》（https://www.interconnects.ai/p/reverse-engineering-openai-o1）
【简介】这篇文章和上一篇是同一个作者，是对o1的逆向推导。鉴于上一篇我对他的信任，我十分认真的阅读了这一篇，并且挺多东西也是从这篇里学到的。包括了从Q* 到Strawberry再到 o1的演进路径分析，以及从o1外显的推理步骤、定价等方面去推导o1的系统实现。总之建议大家直接去读原文，收获更多。
扫一扫
1040
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
