知乎：周舒畅
链接：https://zhuanlan.zhihu.com/p/720127190
基础模型
搞 o1 首先需要一个基模，这个基模必须是：
-
能进行“长”生成。注意这和“长 context”不是一回事。模型生成的结果，经常会有自激的噪声存在，或分布逐渐变得非常 sharp，从而导致模型生成内容的后半段质量下降。比如写小说时会“烂尾”，用大团圆草草收场。在多模生成模型上也很容易观察到这一现象，表现为生成的音频和视频在结尾处要么糊掉要么变成静音静止。
-
有较强的抗噪能力。目前看来，这一点刚需大模型，比如万亿的 step2 就是比千亿的 step1 好。小模型容易被 context 里的一点点错误带偏。考虑到 CoT 就是个 trial-and-error 的过程，要能从鱼龙混杂的 context 里筛出有用信息往下走，需要一个充分训练的大模型。
数据
数据上，如果起手式是模仿学习（SFT），需要至少是起动量的规划数据：
-
比如一个看起来能分解成步骤的题，可以由人类演示如何拆成哪几步。
-
或者由模型按类似 ReAct / Reflection / RePlan 的方式 CoT，然后人类给过程打分。一个可能的捷径是构造 CoT 的 DPO 数据。
这里说是起动量，是因为这些数据生产困难，后面还是要靠 Self-Play 来起量。（现在有了 O1，有 GPT 帐号的厂又可以用 O1 来生成这个“起动量”的数据了）。
接下来 RL 部分需要大量的 Reward Model 数据（评论区说可能 O1 只用 RL）。考虑到 CoT 数据非常长，很难一上来就全对，所以大概率是个 PRM，相当于人类标出 CoT （可能是树型）的第一个出错点。
这里能从自动定理证明器（ATP）如 LEAN/Coq 借鉴的一招是“tactics”。比如 O1 会有意识地做简化（simpl）操作，也会设变量（intros）。如果实锤 O1 会数学归纳法（induction），那就真的很可能有一个把 ATP 产生的证明，按自然语言翻译成 CoT 数据的造数据路径。
算法
算法上，需要一个有数据效率（Data Efficient）的算法。应该是某种 MCTS（因为 o1 解得好的都是 verifier 容易的题）。这个在去年以来的各种 Q*-clone 探索中都有覆盖。这里麻烦的应该是系统和算法的配合，因为大规模推理造数据看来少不了。
o1-mini 的存在值得玩味。据说 o1-mini 数学甚至更强，但是推理会更“无理”。顺序上，是先有 o1-mini 还是先有 o1-preview？如果先有 o1-mini，那么可以用 o1-mini 大量的 roll 数据；如果先有 o1-preview，那么可以从 o1-preview 造大量数据去喂饱 o1-mini。或者是两者交替成为共轭师徒。
还有个简单的可能是 o1 训得慢，而 o1-mini 模型小训得快，先过完了数据放出来。。。
FAQ
Q：目前 o1 似乎主要展示了在解题时的强大能力。那么在其他方面，比如在多模态理解生成一体中，有什么应用？
A：o1 非常深刻地改变了 LLM，所有目前的 LLM 应用，只要存在一个基于或不基于 LLM 的 verifier，或者有约束要满足，都会受到断代式的影响。比如以前多模生成里，指令跟随一直是困难的问题，具体例子有生成 3D 资产需要的高一致性的多视角图，之前只能靠后挑生成。o1 则打开了模型反复修改“sketch”，来达到约束生成的可能。可以想象 o1 自言自语，然后在画布上这里一笔那里一笔涂涂抹抹的场面。
Q：对 AI 搜索和角色扮演有什么影响呢？
A：AI 搜索中，复杂的二次搜索（如读一篇论文时还参考参考文献）等，都是需要均衡每个动作成本收益，以及顾及当前时间预算的行为。o1 展现了这个潜力，并且箭在弦上（“o1-preview doesn't use tools yet, but support for function calling, code interpreter, and browsing is planned”）。
对于角色扮演来说，o1 提供了一个框架，让不烂尾，不无聊的生成成为可能。这几天多个测试表明，o1 是诗歌之类“戴着镣铐跳舞”式创作的大师。那么 AI 角色扮演需要的“乐而不淫”、“文似看山不喜平”、“草蛇灰线”对于 o1 来说，无非是一条条约束而已。“两句三年得，一吟双泪流。” 以后流的是电费的心痛的泪。
