开源Llama版o1来了，3B小模型反超80B，逆向工程复现OpenAI新Scaling Law

o1完整版公开仅10天，Scaling Law新范式就被逆向工程复现了！

Hugging Face官方发文，开源了扩展测试时计算的方法。

用在小小小模型Llama 1B上，数学分数直接超过8倍大的模型，也超过了计算机科学博士生的平均分数（40%）。

那么用在Llama 3B上呢？进步幅度更大，甚至能和20几倍大的70B模型媲美。

虽然OpenAI o1的配方完全保密，没有发布实现细节或代码，但团队基于DeepMind公布的研究结果，完成了自己的实验。

在DeepMind研究的基础上，Hugging Face团队做出如下改进：

• 多样化验证器树搜索（Diverse Verifier Tree Search），一种简单而有效的方法，可以提高多样性和更高性能，特别是在算力预算充足的情况下。
• 开源轻量级工具包Search and Learn，与推理框架vLLM配合，快速构建搜索策略

测试时计算扩展策略

目前扩展测试时计算主要有两种策略：自我优化和搜索。

在自我优化中，模型识别和纠正后续迭代中的错误来迭代优化自己的输出或“想法”。

团队认为虽然此策略对某些任务有效，但通常要求模型具有内置的自我优化机制，这可能会限制其适用性。

搜索方法侧重于生成多个候选答案并使用验证器选择最佳答案。

搜索策略更灵活，可以适应问题的难度。Hugging Face的研究主要聚焦于搜索方法，因为实用且可扩展。

其中验证器可以是任何东西，从硬编码到可学习的奖励模型，这里将重点介绍可学习的验证器。

具体来说，研究涉及三种搜索策略：

• Best-of-N

为每个问题生成多个响应，并使用奖励模型为每个候选答案分配分数。选择分数最高的答案（或加权变体），这种方法强调答案质量而不是频率。

• Beam search

一种探索解决方案空间的系统搜索方法，通常与过程奖励模型 （PRM） 相结合，以优化解决问题中中间步骤的采样和评估。与在最终答案上产生单个分数的传统奖励模型不同，PRM提供一系列分数，推理过程的每个步骤分配一个分数。这种提供精细反馈的能力使PRM非常适合大模型。

• 多样化的验证器树搜索(DVTS)

新开发的Beam search变体，它将初始Beam拆分为独立的子树，然后使用PRM做贪婪扩展。这种方法可以提高解决方案的多样性和整体性能，尤其是在测试时算力预算较大的情况下。

实验设置：3种搜索策略PK

• 首先将数学问题提供给大模型，生成N个中间步骤。
• 每个步骤都由PRM评分，估计每个步骤最终能得出正确答案的概率。
• 给定的搜索策略使用这些步骤和PRM分数，来选择应该进一步探索哪些方向，生成下一轮中间步骤。
• 搜索策略终止后，PRM将对最终候选解决方案进行排名，以生成最终答案。

为了比较各种搜索策略，研究中使用了以下开放模型和数据集：

语言模型，Llama-3.2-1B-Instruct作为主要实验对象，因为轻量级模型可以快速迭代，并且在数学基准测试中性能不饱和

流程奖励模型，使用了Llama3.1-8B-PRM-Deepseek-Data，与语言模型同属一个系列，且在测试中给出了更好的结果。

数据集，使用MATH基准测试的子集MATH-500，该子集由OpenAI发布，数学问题横跨7个科目，对人类和大多数模型来说都有挑战性。

实验结果：动态分配策略达到最优

首先，多数投票策略比贪婪解码基线有显著改进，收益在大约N=64后趋于稳定。

团队认为，之所以出现这种限制，是因为多数投票难以解决需要细致入微推理的问题，或者解决几个答案错到一块去的任务。

奖励模型加入后的策略，表现均有提高。

Best-of-N策略分为两种变体，原版（Vanilla）不考虑答案之间的一致性，加权版（Weighted）汇总所有结果相同的答案，并选择总分数最高的。

结果发现加权版始终优于原版，特别是在算力预算大的时候更明显，因为确保了频率较低但质量较高的答案也能获选。

Beam Search策略终于让1B模型表现开始高于8B。

但Beam Search并不是万金油方法，在简单的问题上表现反而不如Best-of-N。

团队通过查看结果树，发现如果一个中间步骤获得了高分，那么整个树就会坍塌到这一步，影响了后续答案的多样性。

最终，DVTS方法改进了答案的多样性，该方法与Beam Search相比有以下不同之处：

• 对于给定的Beam宽度（M）和生成数量N，初始Beam集设定为N/M个独立子树
• 对于每个子树，选择PRM分数最高的步骤
• 生成M个新的下一步，继续选择分数最高的
• 重复这个过程，直到生成EOS token后终止，或达到最大深度

在对问题难度细分后，发现DVTS方法在N比较大时增强了对简单/中等难度问题的性能。

而Beam Search在N比较小时仍然表现最好。

最终基于问题难度动态分配策略的方法可以取得最佳成绩。

最后团队提出，未来这项技术还有更多值得探索的地方：

• 更强大的验证器，提高其稳健性和泛化能力至关重要。
• 最终目标是实现自我验证，目前在实践中仍然难以实现，需要更细致的策略。
• 在生成过程中加入明确的中间步骤或 “想法” ，通过将结构化推理整合到搜索过程中，可以在复杂任务中获得更好的性能。
• 搜索方法可以用于合成数据，创建高质量的训练数据集
• 开放的流程奖励模型目前数量较少，是开源社区可以做出重大贡献的领域
• 目前的方法在数学和代码等领域表现出色，这些问题本质上是可验证的，如何将这些技术扩展到结构性较差或评判标准主观的任务，仍是一个重大挑战。

评论区有网友表示，这种方法更适合本地部署，而不是API调用，因为调用256次3B模型和过程奖励模型，通常会比调用一次70B模型更贵。

也有人建议在Qwen系列模型上尝试，以及指路天工Skywork发布了两个基于Qwen的PRM模型

开源代码：

https://github.com/huggingface/search-and-learn

参考链接：

[1]https://huggingface.co/spaces/HuggingFaceH4/blogpost-scaling-test-time-compute

[2]https://x.com/_lewtun/status/1868703456602865880

本文来自微信公众号“量子位”，作者：梦晨，36氪经授权发布。