Llama 版 o1 大模型发布：来自上海 AI Lab，强化学习代码已开源

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。