超强o1模型智商已超120！1小时写出NASA博士1年代码，最新编程赛超越99.8%选手
o1模型已经强到，能够直出博士论文代码了!
来自加州大学欧文分校（UCI）的物理学博士Kyle Kabasares，实测o1preview+mini后发现:
自己肝了大约1年的博士代码，o1竟在1小时内完成了。
他称，在大约6次提示后，o1便创建了一个运行版本的Python代码，描述出研究论文「方法」部分的内容。
虽然AI生成的代码框架，模拟了Kabasares实际代码功能，但它使用的是「合成数据」，并非真实的天文数据。
论文地址:https://iopscience.iop.org/article/10.3847/1538-4357/ac7a38/meta
不过，o1能够在这么短时间输出复杂代码，足以震撼。
视频右下角中，Kabasares连连喊出「oh my god」，各种难以形容的动作表情，被震惊到怀疑人生。
YouTube视频一出，便在全网掀起热议，网友们纷纷表示太疯狂了。
好巧不巧的是，o1在最新门萨智商测试中，IQ水平竟超过了120分。
35个智商题，答对了25道，把其他模型甩出好几条街。
然而，这仅仅是o1模型的preview版本。
OpenAI研究人员David Dohan曾发文暗示，一个月后，o1模型还将有全新的升级版本。
届时，还不知o1性能，将有多么逆天?!
物理学博士论文，AI1小时直出200行代码
2022年，物理学博士Kabasares以第一作者身份，在「天文物理期刊」发表了这篇关于，通过对天文数据建模来测量黑洞质量的论文。
当然，这篇研究不仅仅是写代码，但实现这段代码，是Kabasares博士第一年的关键突破。
可以说，在他博士研究的阶段的第一年（2018年7月-2019年4月），花费了大量时间，才让这段代码初版正确运行起来。
这也是，为什么o1能在1小时内，给出一个可运行的Python代码，让Kabasares印象深刻。
视频中，看到o1输出的代码后，Kabasares缓了好大一阵儿，才开始接下来的解释。
他向ChatGPT o1提供了论文中，「方法」部分的内容（即第4节），并提示阅读我的论文，根据所给信息，写出一段Python运行代码。
他多次强调，自己没有向o1展示自己代码。
在于ChatGPT对话页面中，Kabasares向大家展示，并细数了下o1是在6次提示下，完成200行代码。
不过，他也提出警告，实际上还需要我们自己去做一些额外的工作。就像论文中这个曲线图，还得需要在另一个软件，比如银河图像软件中完成。
当网友询问到，有没有可能o1就着你自己的代码，完成的训练?
Kabasares认为，o1输出的200行代码，与自己1100行代码有着很大的不同，这是论文代码「最简版本」。
深夜测试，o1挑战大学、博士物理题
为此，Kabasares又发了第二弹视频，向所有人解释o1可能真的没有接受过数据训练。
值得一提的是，他从办公室拿到的私密文件，是由教授亲自设计的天体物理学问题。
这些题目，都是Kabasares在博士期间完成的，并没有发布到互联网上。
他专门为o1出了一个测试集，一共有4道题目。
而在没有训练数据的情况下，o1输出的结果不用说。甚至，有的题它仅在16秒内，完成了解答。
还记得，OpenAI CTO Mira Murati在接受采访中表示，GPT-4之后的新模型将达到博士级别的智能。
o1现在的表现，已经是关键的一瞥。
代码编程赛，大师级别
作为OpenAI的研究主管兼现任的IOI美国队教练，Mark Chen分享了o1模型在Codeforces比赛上的最新进展。
在Codeforces昨天的实时比赛中，一位名为AryanDLuffy的选手使用了o1-mini模型参加比赛，结果相当惊艳。
用Mark Chen的话来说，达到了「接近大师级别的表现」。
AryanDLuffy发帖表示，自己没有进行任何提示工程，仅仅是给出问题陈述，并告诉模型用C++解题。
7道题目中，o1-mini仅在B2、D和E2遇到了困难，其中D和E2是不少排名前50的选手也没能得分的，也是提交人数最少的两道题目。
最终，o1-mini帮助AryanDLuffy获得了3922分的总成绩，在超过16万参赛者中排名277，也就是排名在前0.17%。
这远远超过了OpenAI自己做的基准测试结果。o1模型在他们的模拟Codeforces比赛中还只是超过了89%的人类选手。
277的排名相比AryanDLuffy本人之前的纪录提高了158位，达到了4年来最大的进步幅度。
对此，Mark Chen和很多网友的想法是，IMO和Codeforces的竞赛题也许可以作为新型的LLM基准测试。然而，Codeforces的主办方担心的是另一件事。
竞赛创始人Mike Mirzayanov为此特地制定了一条新规:禁止使用GPT、Gemini、Gemma、Llama和Claude等各种模型来解决Codeforces竞赛中的编程问题。
但是这条新规并不是要求参赛者完全摒弃AI，他们依旧可以让模型辅助翻译问题陈述，或者向C op ilot寻求语法帮助和次要的编码建议。
简而言之，竞赛问题的核心逻辑、算法，以及bug的诊断调试，都必须由人类选手独立完成，CF也会进行作弊检测。在非竞争性问题中，AI工具的使用则完全不受限制。
但也有用户指出，作弊检测实质上很难执行，参赛者简单修改一下AI生成的代码就可以「逃过法眼」。竞争性编程竞赛的未来，很大程度上决定于选手们自己能否守信。
CF也表示，会持续关注AI技术的进展，并根据需要及时调整规则。
在博文中，Mirzayanov将神经网络的进展称为「技术奇迹」，因为不久前这些模型还很难完成竞赛中最简单的任务，但现在却达到了不容忽视的高度。
他表示，「我们有理由相信，这种进步会持续下去，AI可能会在编程竞赛领域继续取得新的突破。」
陶哲轩实测后续
除了Codeforces，陶哲轩大神也表示，由于大家对他之前测试的兴趣，因此继续放出了一些其他的o1preview实验结果。
第一个实验，是找术语。
2010年，我正在寻找「乘法积分」的正确术语，但当时没有用搜索引擎找到。于是我转而在MathOverflow上提出了问题，并从人类专家那里得到了满意的答案:
14年后的今天，陶哲轩再次向o1模型提出了相同的问题，问题表述都和MathOverflow上的帖子几乎一模一样。
相比人类专家，o1给出的答案更加全面而且完美。不仅包含了5个可能的术语，还附上了相应的数学表示、应用领域和参考文献。
陶哲轩表示，虽然这篇MathOverflow上的帖子可能已经包含在o1的训练数据中了，但依旧能展现模型在语义搜索方面的强大功能，而且搜集、总结出的答案的质量可以与MathOverflow这类专业的问答网站相当。
另一个实验则更具创造性，与陶哲轩本人的研究直接相关。
作为另一个小实验，我给了o1我最近的博客文章的前半部分，其中总结了之前我自己能够解决的鄂尔多斯问题的进展。
要将之前的部分进展转换为全面的解决方案，仍缺失一些要素，我要求o1模型找到这些转换要素，但结果有点令人失望。
本质上，模型提出的策略与博客中重述的最新研究是相同的，并针对该策略没有提供任何创造性的改变。
总的来说，我觉得虽然LLM工具有一定的能力，可以随机生成创造性策略，但这方面的LLM工具仍然相当薄弱。
多篇论文阐述o1运作机制，DeepMind上大分
o1模型发布不到一周，我们就已经见证了这么多惊人的用例，AI技术界对o1背后的机制和原理也是众说纷纭。
前谷歌搜索工程师、Menlo Ventures风投家Deedy Das曾大胆猜测，其主要原理来自DeepMind一篇今年8月发表的论文。
论文地址:https://arxiv.org/abs/2408.03314
论文提出，让LLM进行更多的「测试时计算」（test-time computation），对于构建能在开放语境下操作、能实现自我提升的agent，是关键的一步
而这篇论文就重点研究了扩展「推理期计算」（inference-time computation）这个问题。
研究团队分析了扩展测试时计算的两种主要机制:（1）针对密集的、基于过程的验证器奖励模型进行搜索;(2)根据测试时得到的提示词，自适应更新模型对响应的分布。
结果显示，在这两种情况下，对测试时计算的不同扩展方法的有效性，很大程度上取决于提示词的难度。
基于此，研究团队提出了一种「计算最优」扩展策略——通过为每个提示词自适应地分配测试时计算，使测试时计算的扩展的效率提高4倍以上。
另外，在FLOPs一致的评估中，对于那些较小的基础模型已取得一定程度非平凡成功率的问题，测试时计算可以使其超越规模大14倍的模型。
此外，HuggingFace技术主管Philipp Schmid也开列了一份论文清单，包含了o1模型可能的工作原理，主要关于通过训练/RLHF而非提示工程，提升LLM在复杂任务上的推理性能。
这5篇论文都发表于今年或去年，可以说是代表了细分方向的前沿进展。
第一篇是斯坦福和Notbad在今年3月提出的Quiet-STaR（Self-Taught Reasoner）。
论文地址:https://arxiv.org/abs/2403.09629
论文的想法来源于这样一个直觉:在写作和说话时，人们有时会停下来思考，但思考和推理的内容不会显式地表达出来，而是隐含在书面文本中。
因此，理想情况下，语言模型可以学习推断文本中未阐明的基本原理。
Quiet-STaR是对2022年发表的STaR的推广，让模型为每个token生成基本原理来解释未来的文本，从而提升预测能力。
第二篇同样是斯坦福学者和MultiOn在今年8月合作发表的AgentQ框架。
论文地址:https://arxiv.org/abs/2408.07199
他们将蒙特卡罗树搜索（MCTS）与自我批评机制相结合，并使用直接偏好优化(DPO)算法的off-policy变体对agent的交互进行迭代微调。
这种方法允许LLM agent同时从成功和不成功的轨迹中进行有效学习，从而提高在复杂的多步骤推理任务中的泛化能力。
第三篇则针对数学推理，以期提升模型的问题理解能力和「反思」能力。
论文地址:https://arxiv.org/abs/2406.12050
具体来说，论文提出了一种新颖的「反思增强」方法，将问题的反思嵌入到每个训练实例，训练模型考虑其他可能的视角，并进行抽象和类比，通过反思性推理促进更全面的理解。
V-STaR这篇文章同样是对STaR框架的推广，发表于今年2月。
论文地址:https://arxiv.org/abs/2402.06457
论文提出，原有的STaR方法在迭代过程中丢弃了大量不正确的解决方案，可能忽略了其中有价值的信息。
V-STaR正是要弥补这个缺陷，它同时利用了自我改进过程中生成的正确和错误的解决方案，用DPO训练出一个验证模型，以判断生成的解决方案的正确性。该验证器在推理时使用，从候选解决方案中进行选择。
实验发现，运行V-STaR进行多次迭代，可以逐渐训练出性能更好的推理模型和验证模型。
Lets Verify Step by Step这篇论文，便是由AI大牛Ilya带队完成。
论文地址:https://arxiv.org/abs/2305.20050
论文中，主要探讨了大模型在复杂推理中，如何优化训练策略的问题，尤其是，如何利用CoT进行思考。
他们提出了过程监督方法（process supervision），由此训练的一种全新模型，在解决数学问题上取得了突破。
这一策略的强大之处在于，比起结果监督，在推理过程中逐步奖励，进而让模型性能显著提升。
除了推特帖中一开始涉及的5篇，Schimid还在HuggingFace上单开了一个网页，持续搜罗相关论文，目前已经涵盖了7篇。
https://huggingface.co/collections/philschmid/llm-reasoning-papers-66e6abbdf5579b829f214de8
o1能否实现自我提升
Jim Fan在一篇分析帖中指出，o1模型给我们带来的关键见解是这两条曲线的齐头并进——训练时的scaling law和推理时的scaling law，而后者才是真正战胜收益递减的关键因素。
此外，他还cue到了两篇论文，能够解决我们关于「o1自我提升能力」的疑问。一篇是Meta和NYU在今年1月提出的「自我奖励的语言模型」。
论文地址:https://arxiv.org/abs/2401.10020
这篇文章基于一个非常简单的想法:对同一个LLM进行提示，引导它生成响应并自我奖励，进行迭代自举。
论文称，奖励建模能力不再属于一个固定、独立的模型，而是可以跟随主模型的步伐提升。但有趣的是，最多3次迭代之后，依旧会出现模型饱和。
对此，Jim Fan的想法是，作为评论者（critic）的奖励模型，提升速度小于作为行动者(actor)的生成模型，因此尽管二者都在提升，最多3轮迭代后，后者就会追上前者，达到饱和。
另一篇文章是DeepMind去年8月就发表的ReST（Reinforced Self-Training），其实验结果也很类似:在达到收益递减前，最多进行3轮迭代。
论文地址:https://arxiv.org/abs/2308.08998
这两篇论文似乎证明了，评论家和行动者之间不存在可持续的能力差距，除非引入外部驱动信号，比如符号定理验证、单元测试套件或编译器反馈。
但这些都是特定领域的高度专业化的内容，要想实现我们理想中的LLM的通用自我提升，还需要发掘和探索更多的研究想法。
参考资料:
https://x.com/markchen90/status/1835143660746273185
https://mathstodon.xyz/@tao/113142753409304792
更新于：3个月前