Llama版o1来了，来自上海AI Lab，强化学习代码已开源，基于AlphaGo Zero范式

梦晨 2024-11-05 14:32:24 来源：量子位

梦晨 发自 凹非寺
量子位 | 公众号 QbitAI

复刻OpenAI o1推理大模型，开源界传来最新进展：

LLaMA版o1项目刚刚发布，来自上海AI Lab团队。

简介中明确：使用了蒙特卡洛树搜索，Self-Play强化学习，PPO，以及AlphaGo Zero的双重策略范式（先验策略+价值评估）。

在2024年6月，o1发布之前，团队就开始探索蒙特卡洛树搜索提高大模型数学能力，积累了一些关注。

这次最新开源代码，也在开发者社区引起热议。

OpenAI o1系列发布后，团队开始升级算法，专注于数学奥赛问题，作为OpenAI草莓项目的开源版本。

10月初，团队上传新论文，使用成对优化（不直接给出绝对分数，而是比较两个答案的相对优劣）提高Llama模型数学奥赛能力。

在最难的AIME2024基准测试30道题中，原版LLaMA-3.1-8B-Instruct做对2道，优化后做对8道，超过了除o1-preview和o1-mini之外的其他商业闭源方案。

10月底，团队宣布在基于AlphaGo Zero架构复刻OpenAI o1的努力中取得了重大进展：

已成功使模型在学习过程中通过与搜索树交互获得高级思维能力，无需人工标注。

不到一周时间，项目便开源了。

LLaMA版o1最新进展

目前已开源内容包括：预训练数据集、 预训练模型、强化学习训练代码。

OpenLongCoT-Pretrain数据集，包含10万+条长思维链数据。

每条数据包含一个完整的数学问题推理过程，包含思考内容和评分结果。

例如一个几何问题，包含了问题描述、图形坐标、计算过程和结论推导等完整的推理链路，以及对各个推理步骤的批评和验证内容，对推理过程进行评价和指导。

在此数据集继续预训练后，模型可读取和输出类似o1的长思维链过程。

预训练代码尚未发布，目前推荐使用LLaMaFactory代替。

有意思的是虽然项目名为LLaMA-O1，但目前官方给的预训练模型基于谷歌Gemma 2。

目前在预训练模型基础上，可以继续进行强化学习训练，从代码中可以看出训练过程如下：

• 使用蒙特卡洛树搜索进行自我对弈(self-play)以生成经验
• 将经验存储在优先经验回放缓冲区中
• 从缓冲区采样批次数据进行训练
• 更新模型参数和经验优先级

论文中也给出了训练过程的图示。

同时训练代码中使用了以下关键技术点：

• 使用LoRA进行参数高效微调
• 使用PPO算法作为策略优化方法
• 实现了GAE(Generalized Advantage Estimation)算法用于计算优势函数
• 使用优先经验回放提高训练效率

最后，LLaMA-O1代码发布在名为SimpleBerry的GitHub账号下，并没有特别简介，还比较神秘。

其他与SimpleBerry有关的账号和官网中，只能看出性质是一个研究实验室，也并未透露更多研究方向信息。

其他o1复刻项目进展

除LLaMA-O1之外，另一个公开进展的o1复刻项目O1-Journey来自上交大团队。

团队在十月初发布了第一份进展报告，其中介绍了创新Journey Learning范式，以及第一个成功将搜索和学习整合到数学推理中的模型。

O1-Journey核心开发团队主要由上交大大三、大四本科生，以及上交大GAIR实验室（生成式人工智能研究实验室）的一年级博士生组成。

指导教师包括上交大副教授刘鹏飞，姚班校友、斯隆奖得主李远志等。

LLaMA-O1：
https://github.com/SimpleBerry/LLaMA-O1
相关论文：
https://arxiv.org/abs/2406.07394
https://arxiv.org/abs/2410.02884

O1-Journey：
https://github.com/GAIR-NLP/O1-Journey/