Scaling of Search and Learning: A Roadmap to Reproduce o1 from Reinforcement Learning Perspective

强化学习 透视图(图形) 缩放比例 钢筋 计算机科学 人工智能 心理学 数学 社会心理学 几何学
作者
Zhiyuan Zeng,Qinyuan Cheng,Zhangyue Yin,Bo Wang,Shimin Li,Yunhua Zhou,Qipeng Guo,Xuanjing Huang,Xipeng Qiu
出处
期刊:Cornell University - arXiv
标识
DOI:10.48550/arxiv.2412.14135
摘要

OpenAI o1 represents a significant milestone in Artificial Inteiligence, which achieves expert-level performances on many challanging tasks that require strong reasoning ability.OpenAI has claimed that the main techinique behinds o1 is the reinforcement learining. Recent works use alternative approaches like knowledge distillation to imitate o1's reasoning style, but their effectiveness is limited by the capability ceiling of the teacher model. Therefore, this paper analyzes the roadmap to achieving o1 from the perspective of reinforcement learning, focusing on four key components: policy initialization, reward design, search, and learning. Policy initialization enables models to develop human-like reasoning behaviors, equipping them with the ability to effectively explore solution spaces for complex problems. Reward design provides dense and effective signals via reward shaping or reward modeling, which is the guidance for both search and learning. Search plays a crucial role in generating high-quality solutions during both training and testing phases, which can produce better solutions with more computation. Learning utilizes the data generated by search for improving policy, which can achieve the better performance with more parameters and more searched data. Existing open-source projects that attempt to reproduce o1 can be seem as a part or a variant of our roadmap. Collectively, these components underscore how learning and search drive o1's advancement, making meaningful contributions to the development of LLM.
最长约 10秒,即可获得该文献文件

科研通智能强力驱动
Strongly Powered by AbleSci AI
更新
大幅提高文件上传限制,最高150M (2024-4-1)

科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
1秒前
1秒前
六七完成签到,获得积分10
2秒前
努力向前看完成签到,获得积分10
2秒前
Lou完成签到,获得积分10
2秒前
白露LZX完成签到,获得积分10
3秒前
CC发布了新的文献求助10
4秒前
赘婿应助阿离采纳,获得10
5秒前
打打应助c程序语言采纳,获得10
5秒前
儒雅雅柏完成签到,获得积分10
6秒前
Yolanda3088发布了新的文献求助10
6秒前
7秒前
不会失忆完成签到,获得积分10
10秒前
共享精神应助帅气之槐采纳,获得10
11秒前
记得刷牙完成签到 ,获得积分10
12秒前
白小白完成签到,获得积分10
14秒前
15秒前
俭朴的小熊猫完成签到,获得积分10
16秒前
阿离完成签到,获得积分20
17秒前
帅气之槐完成签到,获得积分20
17秒前
记得刷牙发布了新的文献求助10
20秒前
20秒前
不会学术的羊完成签到,获得积分10
21秒前
yuan发布了新的文献求助10
22秒前
ywj完成签到 ,获得积分10
22秒前
23秒前
向北大望完成签到,获得积分10
24秒前
尽断完成签到,获得积分10
24秒前
CipherSage应助Yolanda3088采纳,获得20
24秒前
25秒前
25秒前
26秒前
阳光he完成签到,获得积分10
27秒前
向北大望发布了新的文献求助10
29秒前
我是老大应助认真的傲柏采纳,获得30
29秒前
29秒前
欢呼的茉莉完成签到 ,获得积分10
30秒前
30秒前
霍山柳发布了新的文献求助10
31秒前
科研路上的干饭桶完成签到,获得积分10
32秒前
高分求助中
Licensing Deals in Pharmaceuticals 2019-2024 3000
Effect of reactor temperature on FCC yield 2000
Very-high-order BVD Schemes Using β-variable THINC Method 1020
PraxisRatgeber: Mantiden: Faszinierende Lauerjäger 800
Mission to Mao: Us Intelligence and the Chinese Communists in World War II 600
The Conscience of the Party: Hu Yaobang, China’s Communist Reformer 600
A new species of Coccus (Homoptera: Coccoidea) from Malawi 500
热门求助领域 (近24小时)
化学 医学 生物 材料科学 工程类 有机化学 生物化学 物理 内科学 纳米技术 计算机科学 化学工程 复合材料 基因 遗传学 催化作用 物理化学 免疫学 量子力学 细胞生物学
热门帖子
关注 科研通微信公众号,转发送积分 3299813
求助须知:如何正确求助?哪些是违规求助? 2934662
关于积分的说明 8470165
捐赠科研通 2608229
什么是DOI,文献DOI怎么找? 1424075
科研通“疑难数据库(出版商)”最低求助积分说明 661827
邀请新用户注册赠送积分活动 645574