使用LLM进行标书写作简单开源项目及openai O1实现思路再索引

本文链接：https://blog.csdn.net/z551646/article/details/144182944

今天是2024年12月01日，星期日，北京，天气晴。

北京这两天逐步回暖了，天气还不错。

今天是2024年最后一个月的第一天，我们讲两个方面的内容，使用大模型进行标书写作的一个简单开源项目，以及再看openai O1进展及LLM-Self-Correction机制。

供各位参考，多思考，多总结，多实践；

一、使用大模型进行标书写作的一个简单开源项目

这个有趣，利用大模型进行标书写作(https://github.com/William-GuoWei/ProposalLLM)，根据excel里的需求列表，利用大模型的能力自动生成word版的标书文件，根据其readme，可看到其对应的功能：

根据需求对应表，自动根据产品文档生成点对点应答格式的标书，包括所有小标题及内容，自动生成标题1,2,3格式，自动整理正文、图片、项目符号格式；

完成技术需求偏离对应表，自动填写需求对应表当中点对点应答，格式为“答：全面支持，{大模型根据需求自动生成文本}”，同时填写标书对应的章节号码；

整个的项目核心在于prompt的设置(https://github.com/William-GuoWei/ProposalLLM/blob/main/Generate.py)以及整个实现逻辑的设计：

感兴趣的可以试试，提供的excel和word中有一些模版，可以亲自看看实现机制，整个还是相对粗糙。

当然，作者也写了个博客专门介绍(https://my.oschina.net/SeaTunnel/blog/16513434)，更全面些。

二、再看openai O1进展及LLM-Self-Correction机制

当然，目前OpenaiO1这些，以及很多RAG的工作，都会使用Reflection的机制，所以这块的一些技术综合总结，可以看LLM-Self-Correction-Papers，大模型自我纠错相关论文，涵盖内在自我纠错、外部工具辅助纠错、信息检索辅助纠错等， https://github.com/ryokamoi/llm-self-correction-papers，这个主要来自于综述《When Can LLMs Actually Correct Their Own Mistakes? A Critical Survey of Self-Correction of LLMs》(https://arxiv.org/abs/2406.01297)。

其中，再次回顾下对应的openai O1的工作(https://platform.openai.com/docs/guides/reasoning)，对应的工作：

1、OpenAI o1 Learning to Reason with LLMs，https://arxiv.org/abs/2409.18486， https://openai.com/index/learning-to-reason-with-llms/

2、Skywork-o1，https://huggingface.co/Skywork，https://huggingface.co/Skywork/Skywork-o1-Open-Llama-3.1-8B

3、LLaVA-CoT，LLaVA-CoT: Let Vision Language Models Reason Step-by-Step，https://arxiv.org/abs/2411.10440

4、Marco-o1， Towards Open Reasoning Models for Open-Ended Solutions，https://arxiv.org/abs/2411.14405

5、QwQ: Reflect Deeply on the Boundaries of the Unknown，https://qwenlm.github.io/blog/qwq-32b-preview/，https://huggingface.co/Qwen/QwQ-32B-Preview

6、Steiner：https://medium.com/@peakji/a-small-step-towards-reproducing-openai-o1-b9a756a00855，https://huggingface.co/collections/peakji/steiner-preview-6712c6987110ce932a44e9a6

7、 DeepSeek-R1-Lite-Preview：https://api-docs.deepseek.com/news/news1120

8、O1 Replication Journey：https://github.com/GAIR-NLP/O1-Journey

实际上，其中最为直接的，就是查看openai-o1在不同任务上的推理prompt，例如可参考https://openai.com/index/learning-to-reason-with-llms/，https://github.com/bradhilton/o1-chain-of-thought/tree/main/examples：