OpenAI终于发布新的模型，这个模型被称为o1。ChatGPT官网已经可以看到有两个模型，一个是o1-preview，另一个是o1-mini。

从官方发布的模型效果来看，这个模型的推理能力简直逆天（现在还有谁敢说OpenAI已经不行了？），那么o1模型其背后的原理是怎么样的呢？这篇文章带你初步探究一下其o1模型的一些亮点。

o1模型效果惊人

首先我们来思考一下，人类在解决逻辑问题的时候，往往会有一系列的慢思考环节。比如我们会把一个比较难的题目进行拆解，得到多个小问题之后，再用自己的现有知识去解决每一个小问题，最后就可以对这个问题推理得到正确的答案。

但是在以往大模型遇到难的推理问题的时候，就没有这种思考环节，导致对于这类问题解决程度不足。

那么如何让大模型也能够像人一样具有逻辑推理能力呢？这里研究者会引入COT（思维链）的方式，让大模型去拆解问题，然后思考。所以o1模型其实本质就是这样，在给出答案的时候，会首先在内部生成思维链，把问题拆解后再解答。

而这使得o1模型在数学推理能力和其coding能力上取得的成绩令人惊讶。

数学能力大幅提升：在国际数学奥林匹克（IMO）资格考试中，GPT-4o 只正确解决了 13% 的问题，而o1推理模型的得分为 83%。

Coding能力相比于gpt4o也有明显提升

但是由于引入了模型的反思机制，整体的推理速度明显比之前的所有模型要慢得多：

对于同样一个问题，虽然 GPT-4o 没有正确回答，但 o1-mini 和 o1-preview 都正确回答，并且 o1-mini 达到答案的速度大约是 3-5 倍。

o1模型的原理是什么

原理1：主要来自于“自动化COT”来优化prompt输入

在以前我们可以利用COT（思维链）技术，来让模型举一反三。在大模型的应用中，COT的方法能够激发大模型预训练过程中的先验知识，更好的帮助模型理解人类输入的问题。举个例子，在下面的例子中，大模型基于问题是不能够给出正确的答案，它的效果往往会比较差

但是如果你把人类的思维方式给到大模型，那么他就会通过你给出的推导例子，正确回答出你提到的问题。

上述过程存在一个主要缺陷，即需要人工大量编写COT规则。对于一类问题尚可，但若需为每个问题编写推导逻辑，这显然不可行。因此，OpenAI借鉴AlphaGo的MCTS（蒙特卡洛树搜索）和强化学习方法，使LLM能快速找到CoT路径，而且这个过程不需要人工进行干预，模型即可自动生成。

科罗拉多大学博尔德分校计算机教授Tom Yeh制作了一个动画，展示了OpenAI是如何训练o1模型的。

在训练阶段，不仅仅只考虑输入prompt和answer，而是利用强化学习把COT来考虑进来，更新大模型的参数。这样做的目的是让大模型能够自己学会自动生成COT逻辑思维链。

在推理阶段，则先让大模型自动化生成COT token，这样能够显著提高模型的推理能力，缺点就是这个过程往往会耗费大量的时间。

原理2：“过程监督”中的优化替代了“结果监督”

OpenAI在上一年5月份发布的一项技术，该技术通过“过程监督”而非“结果监督”来解决数学问题。

OpenAI通过对每个正确的推理步骤进行奖励（“过程监督”）来提高解决数学问题的水平，而不是像之前一样只是简单地奖励最终的正确答案（“结果监督”）。

它主要是使用MATH测试集里面的问题来评估“过程监督”和“结果监督”奖励模型，并为每个问题生成了许多解答方案，然后选择每个奖励模型排名最高的解答方案。（上图展示了一个函数，即每个奖励模型选择的解答方案数量（number of samples）与选择的解答方案最终能够达到正确结果的百分比（% Problems Solved (Best-of-N)）之间的关系。）

除了提高与结果监督相关的性能外，过程监督还有一个重要的对齐好处：它直接训练模型以产生人类认可的思维链。

从之前OpenAI发布的论文来看，使用过程监督有以下优点：

1.过程监督更有效，从具有挑战性的 MATH 数据集的一个子集中解决了 78% 的问题。

2.主动学习提高了流程监督的有效性，数据效率提升了2.6倍。

原理3：OpenAI提出的新的Post-Training Scaling Laws原理

从目前来看，可能模型在预训练阶段pre-training的scaling laws真正慢慢的失效，也就是说在预训练阶段增加训练时间和扩大模型规模，最后的收益是不大的。

而这次OpenAI则主要尝试提升后训练Post-Training和推理阶段中的算力，发现整体模型的准确率有明显的提升效果。

这里的OpenAI的后训练Post-Training Scaling law 与预训练 Pre-training Scaling law 不同。它们分别在模型训练和推理过程的不同阶段。随着更多的强化学习（训练时计算）和更多的思考时间（测试时计算）, o1 的性能也在不断提升，并且目前Post-Training Scaling Laws还远没有到瓶颈。

这里总结一下三个主要的原理：

“自动化COT”让模型在训练阶段就可以自动学习推到思维链，不需要人工进行干预，从而把大问题进行拆解和解答，提升模型回复的准确率。
“过程监督”：则让模型不再局限于学习结果数据，想人类一样学习每个步骤的思考过程。
Post-Training Scaling Laws：意味着 AI 能力的提升不再局限于预训练阶段，还可以通过在 Post-Training 阶段中提升 RL 训练的探索时间和增加模型推理思考时间来实现性能提升，即 Post-Training Scaling Laws。

通过这三个步骤，最后使得o1模型的推理能力大幅上涨，并能够提升对于未见过的复杂问题的解决能力。

o1模型有自我意识了吗？

这可能是大部分人都关注的问题，一直以来，人类都想通过打造一个超级大模型来创造一个有自我意识的AI。那么这次o1模型它的推理能力有这么明显的提升，它的智力水平怎么样？

从下图可以看到，在门萨会员的离线智商测试中，o1模型拿到了第一名。

越来越多的人都相信现在的AI可能已经初步具备了人类的意识。比如，OpenAI研究副总裁Mark Chen在o1发布后表示：“现在的大模型可能已经出现了一些意识”

OpenAI目前把人工智能划分成5个等级，认为这次的o1大模型其实已经处于第二个阶段，因为它本身具备了较强的推理能力，而且是一个飞跃式的超越之前的大模型的效果。

第一级别是chatbots，就是现有生成式大模型处于的阶段，能够与人类进行对话解决问题
第二级别是推理者 Reasoners，具有一定的推理能力，能够解决人类水平的一些问题
第三级别是智能体Agents，表明人工智能达到了一个整体系统，在系统中自主采取行为解决问题
第四级别是创新者 Innovators。不依赖于人工，而是自身有创新思维
第五级别是组织 Organizations，这已经达到或者超越人类水平，能够提升工作中的效率。

对o1模型的一些实测案例

1

coding测试

coding能力测试，这里拿了leetcode中“第4151场周赛”题目进行测试，选择了最困难的题目：

o1模型给出的代码，其运行结果通过了799个测试用例（共807个）

而对于Claude 3.5 Sonnet模型来看，其运行结果则通过了798个测试用例：

好像两个模型差距并不大。

再来一道困难题目，是第414场周赛的困难题目：

这次o1模型能够一遍就可以成功，而且其执行效率还算可以：

而对于Claude 3.5 Sonnet并没有给出正确的答案。对于GPT4来说，再23年3月份的时候，对于困难的题目只有3/45的准确率，这也是在一定程度上说明了o1模型推理能力确实提升了不少。

2

数学能力测试

Reddit用户@FitAirline8359用高中的数学期末考试题去测试o1模型的效果，结果还是很不错的。

他利用图像转文字工具将试卷转化为文本，再让OpenAI o1解答。结果，短短20分钟内，OpenAI o1就准确解答了所有题目。

这证明了OpenAI o1在处理数学问题上具有优秀能力，可能成为未来教育学习的有力工具。

而有人也拿高考题对o1大模型进行测试，其做高考题的水平确实取得了比较长足的进步。

总结

o1模型的发布，预示着隐式化的COT生成和Post-training Scaling Laws能够有效提升大模型的能力，相信国内外的各个公司应该会在短期内跟进这一技术，毕竟OpenAI已经证明了这条路的可行性。不得不说，OpenAI每次发布的新模型确实能够让人眼前一亮，尽管它的技术不一定是最新（很多技术都是之前已有的），但是它把各个技术的融合在一起的能力确认没得说。

目前发布的这个o1虽然在全面性上肯定比不上GPT-4o，但是其强大的推理能力说明它具有其他模型比不了的地方。何况现在各家大模型同质化这么严重，此时推出o1模型能够重新稳固OpenAI在大模型的领先地位。这一次，可能一个新的时代要到来。

OpenAI发布的o1大模型原理初探