Llama版o1来了，来自上海AI Lab，强化学习代码已开源，

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/