用“搭积木”测试大模型
克小西 发自 凹非寺
量子位 | 公众号 QbitAI
o1-preview终于赢过了mini一次！
亚利桑那州立大学的最新研究表明，o1-preview在规划任务上，表现显著优于o1-mini。
相比于传统模型的优势更是碾压级别，在超难任务上的准确率比Llama3.1-405B高了11倍。
要知道之前，OpenAI自己人也发了一张图，显示preview论性能比不过满血版，论经济性又不如mini，处于一个十分尴尬的地位。
作者在推文中表示，尽管存在可保证性和成本问题，但仅针对CoT而言，o1已经超越了大模型的“近似检索”性质，提升到了“近似推理”层次。
并且在论文中，o1全程被称作LRM（Large Reasoning Model，大型推理模型），而非一般大型语言模型的LLM。
o1团队的核心成员Noam Brown也转发了这项研究，顺便给o1-preview打了个call。
还有网友翻出了隔壁Meta的LeCun半个多月前的推文，当时LeCun说大模型没有规划能力，结果现在OpenAI就带着o1来踢馆了。
用“搭积木”测试大模型
为了评估o1系列模型的规划能力，作者使用了PlanBench评估基准。
该基准的提出者中也正好包含了本文三名作者中的两名——共同一作Karthik Valmeekam，以及他的导师Subbarao Kambhampati。
PlanBench专门为评估大模型规划能力而设计，任务类型涵盖了计划生成、成本最优规划、计划验证等。
具体到这个实验，作者使用了其中来自于国际规划竞赛（IPC）的Blocksworld和其变体。
此类问题涉及在桌子上堆叠积木块，目标是从一个初始状态，重新排列到目标配置。
木块用不同的颜色标识，一次只能移动一个积木块，且只能移动每一堆中顶部的积木块，被拿起的积木块也只能放在顶部或直接放在桌子上。
变体Mystery Blocksworld则是在Blockworlds的基础上加入混淆机制，用一些毫不相干的词语来代替操作中的动作。
在此基础之上，还有更为复杂的全随机变体，指令进一步从其他英文单词变成了无意义的字符串。
在o1之前，Blockworlds上的SOTA模型是Llama3.1-405B，成绩为达到 62.6%，而在Mystery Blockworlds上，没有任何模型的成绩能超过5%。
o1-preview超强规划
o1这边的测试结果显示，preview相比mini，成绩优势十分明显。
在Blockworlds任务上，preview版准确率达98%，而mini只有56.6%，表现还不如llama。
当然加入了混淆之后，mini相比于llama也显示出了一些优势——
在零样本配置下，preview版的准确率超过了一半，比llama的4.3%高出了11倍多；mini版也达到了19.1%，比llama高3.4倍。
最后在全随机版本下，o1-preview还能拥有37.3%的准确率。
以上结果显示出了o1系列模型，特别是o1-preview的超强规划能力，但是不足之处也十分明显。
一是随着规划长度的增加，模型的性能也会迅速下降，即使对于未混淆的Blockworlds来说也同样如此。
另外，Blockworlds系列问题并非全部可解，作者发现o1在识别不可解问题上的准确率依然存在不足。
对于未混淆版本准确率只有27%，但没有误判为不可解的情况；对于全随机版本则只有16%，另外还有11.5%的概率将可解问题误判为不可解。
甚至作者还发现，o1有时也会狡辩，提出令人信服的合理理由，让人们相信其错误答案。
在模型本身的性能之外，成本和时间消耗也是一个重要考量，相比于传统大模型，o1-mini的成本相比GPT4-Turbo直接翻番，preview更是高出了数量级。
那么，如果你是开发者，会愿意为了o1的高性能付出更多的成本吗？欢迎评论区交流。
论文地址：
参考链接：
相关文章
