自 OpenAI 的 Q* 項目曝光后，引發(fā)業(yè)內(nèi)眾多討論。據(jù)現(xiàn)有信息匯總，Q* 項目被視作 OpenAI 在探索人工通用智能（Artificial General Intelligence, AGI）道路上的一次重大嘗試，有望在包括數(shù)學(xué)問題解決能力、自主學(xué)習(xí)和自我改進(jìn)等多個層面對人工智能技術(shù)帶來革新性突破。

英偉達(dá)科學(xué)家 Jim Fan、圖靈獎得主 Yann LeCun 等參與討論 OpenAI 的 Q* 實(shí)現(xiàn)方式

Meta 科學(xué)家田淵棟則認(rèn)為 Q* 是 Q-learning 和 A* 的結(jié)合，且天然地適合推理任務(wù)，尤其在數(shù)學(xué)推理方面

不過迄今為止 OpenAI 沒有公開關(guān)于 Q* 算法的具體細(xì)節(jié)，其效果究竟如何我們并不得而知。

昆侖萬維自 Q* 項目曝光以來，一直密切關(guān)注 Q* 的動向，且在第一時間就成立研究小組嘗試開發(fā)自己的 Q* 算法，希望打破 OpenAI 的封鎖，提升現(xiàn)有開源模型的推理能力。

經(jīng)過數(shù)月的嘗試，昆侖萬維攜手新加坡南洋理工大學(xué)成功開發(fā)了一個名為 Q* 的算法，能夠顯著提升現(xiàn)有大模型的推理能力。在 GSM8K 數(shù)據(jù)集上，Q* 幫助 Llama-2-7b 提升至 80.8% 的準(zhǔn)確率，超越了 ChatGPT；在 MATH 數(shù)據(jù)集上，Q* 幫助 DeepSeek-Math-7b 提升至 55.4% 的準(zhǔn)確率，超越了 Gemini Ultra；在 MBPP 數(shù)據(jù)集上，Q* 幫助 CodeQwen1.5-7b-Chat 提升至 77.0% 的準(zhǔn)確率，縮小了與 GPT-4 的編程水平差距。

論文：Q*: Improving Multi-step Reasoning for LLMs with Deliberative Planning

論文鏈接：https://arxiv.org/abs/2406.14283

Q* 能夠幫助小模型達(dá)到參數(shù)量比其大數(shù)十倍、甚至上百倍模型的推理能力，這一算法不僅大幅提升了小模型的性能，還顯著降低了計算資源的需求，為人工智能的廣泛應(yīng)用帶來了全新可能，開創(chuàng)了高效智能的新紀(jì)元。

復(fù)雜推理任務(wù)全盤規(guī)劃

在《Q*: Improving Multi-step Reasoning for LLMs with Deliberative Planning》論文中，研究人員首先將大語言模型的推理軌跡分解為若干個狀態(tài)，對于每一個狀態(tài)，參考 DeepCubeA 中的設(shè)計，通過將定義 Path Cost 的 g (s_t) 函數(shù)和定義 Accumulated Reward 的 Q*(s_t, a_t) 集成到同一個 f (s_t) 函數(shù)內(nèi)，實(shí)現(xiàn)了對歷史狀態(tài)收益和未來期望收益的綜合考慮。最后利用 A* 搜索算法對狀態(tài)進(jìn)行最佳優(yōu)先搜索，實(shí)現(xiàn)了對復(fù)雜推理任務(wù)的全盤規(guī)劃，從而提升開源模型在推理任務(wù)上的性能。

其中 g (s_t) 表示當(dāng)前軌跡中的多個歷史狀態(tài)，既 {s1,...,s_t}，的聚合收益。

具體 g (s_t) 的函數(shù)形式可以通過人為定義，例如判斷當(dāng)前代碼是否符合語法規(guī)則等，或者通過構(gòu)建 Process Reward Model (PRM) 進(jìn)行監(jiān)督學(xué)習(xí)得到；g (s_t) 中的聚合方式可以為求和，最大值，最小值等。

為了獲得狀態(tài) - 動作對 (s_t, a_t) 的最優(yōu) Q 值以實(shí)現(xiàn)規(guī)劃，研究人員在當(dāng)前 LLM 策略生成的數(shù)據(jù)上通過監(jiān)督學(xué)習(xí)的方式訓(xùn)練了一個代理 Q 值模型圖片。訓(xùn)練過程中的真實(shí)標(biāo)簽圖片可以由三種不同的方式得到，包括離線強(qiáng)化學(xué)習(xí)，蒙塔卡羅采樣估計和利用更強(qiáng)大的語言模型補(bǔ)全。

實(shí)驗結(jié)果表明，昆侖萬維本次所提出的 Q* 框架，可以顯著地提升 LLM 的推理能力，在 GSM8K 數(shù)據(jù)集上，Q* 幫助 Llama-2-7b 提升至 80.8% 的準(zhǔn)確率，超越了 ChatGPT；在 MATH 數(shù)據(jù)集上，Q* 幫助 DeepSeek-Math-7b 提升至 55.4% 的準(zhǔn)確率，超越了 Gemini Ultra; 在 MBPP 數(shù)據(jù)集上，Q* 幫助 CodeQwen1.5-7b-Chat 提升至 77.0% 的準(zhǔn)確率，縮小了與 GPT-4 的編程水平差距。

研究證明，Q* 能夠幫助參數(shù)量僅為 7b 的小模型達(dá)到參數(shù)量比其大數(shù)十倍甚至百倍模型的推理能力，大幅提升模型的性能，并顯著降低了計算資源的需求。目前，Q* 的研究尚在初級階段，算法在各個環(huán)節(jié)還有進(jìn)一步的改進(jìn)空間。未來，昆侖萬維會繼續(xù)深入此項研究，不斷提升國產(chǎn)開源模型推理能力，打破 OpenAI 閉源封鎖，為人工智能前沿技術(shù)發(fā)展帶來全新可能。