OpenAI o1 self-play RL 技术路线推演

文章预览

导读 文章转载自知乎，作者为曹宇，本文对 train-time compute和test-time compute 相关技术上 可能的技术路线进行了推演，在整体思路上还原OpenAI o1的训练及推理时整体技术路径。 原文地址：https://zhuanlan.zhihu.com/p/720106482 本文只做学术/技术分享，如有侵权，联系删文。 OpenAI的self-play RL新模型o1最近交卷，直接引爆了关于对于self-play的讨论。在数理推理领域获得了傲人的成绩，同时提出了train-time compute和test-time compute两个全新的RL scaling law。作为领域博主，在时效性方面肯定卷不过其他营销号了，所以这次准备了大概一万字的内容，彻底深入分析并推演一遍其中的相关技术细节。 01 o1，而今迈步从头越 首先要说一下，o1是一个多模态模型，很多人包括 Jim Fan都忽略了这一点： 因此他继续叫做o，作为omni系列是没有任何疑问的。只不过这次发布是过于低调了 ………………………………