近日，昆侖萬維攜手新加坡南洋理工大學成功開發了一個名為Q*的算法，能夠顯著提升現有大模型的推理能力。在GSM8K數據集上，Q*幫助Llama-2-7b提升至80.8%的準確率，超越了ChatGPT；在MATH數據集上，Q*幫助DeepSeek-Math-7b提升至55.4%的準確率，超越了Gemini Ultra；在MBPP數據集上，Q*幫助CodeQwen1.5-7b-Chat提升至77.0%的準確率，縮小了與GPT-4的編程水平差距。

Q*能夠幫助小模型達到參數量比其大數十倍、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用帶來了全新可能，開創了高效智能的新紀元。

項目論文《Q*: Improving Multi-step Reasoning for LLMs with Deliberative Planning》已公開發布。

論文鏈接：https://arxiv.org/abs/2406.14283

打破OpenAI封鎖 提升現有模型能力

自OpenAI的Q*項目曝光后，引發業內眾多討論。據現有信息匯總，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，有望在包括數學問題解決能力、自主學習和自我改進等多個層面對人工智能技術帶來革新性突破。

（英偉達科學家Jim Fan、圖靈獎得主Yann LeCun等參與討論OpenAI的Q*實現方式）

（Meta科學家田淵棟則認為Q*是Q-learning和A*的結合，且天然地適合推理任務，尤其在數學推理方面）

不過迄今為止OpenAI沒有公開關于Q*算法的具體細節，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，一直密切關注Q*的動向，且在第一時間就成立研究小組嘗試開發自己的Q*算法，希望打破OpenAI的封鎖，提升現有開源模型的推理能力。經過數月的嘗試，團隊提出了一種新穎的Q*框架，并且幫助現有開源模型在GSM8K、MATH和MBPP數據集上，分別超越了ChatGPT和Gemini Ultra。

復雜推理任務全盤規劃

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，對于每一個狀態，參考DeepCubeA中的設計，通過將定義Path Cost的g(s_t)函數和定義Accumulated Reward的Q*(s_t, a_t)集成到同一個f(s_t)函數內，實現了對歷史狀態收益和未來期望收益的綜合考慮。最后利用A*搜索算法對狀態進行最佳優先搜索，實現了對復雜推理任務的全盤規劃，從而提升開源模型在推理任務上的性能。

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

具體g(s_t)的函數形式可以通過人為定義，例如判斷當前代碼是否符合語法規則等，或者通過構建process reward model進行監督學習得到；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-動作對(s_t, a_t)的最優Q值以實現規劃，研究人員在當前LLM策略生成的數據上通過監督學習的方式訓練了一個代理Q值模型Q?。訓練過程中的真實標簽?(s_t, a_t)可以由三種不同的方式得到，包括離線強化學習，蒙塔卡羅采樣估計和利用更強大的語言模型補全。

實驗結果表明，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數據集上，Q*幫助Llama-2-7b提升至80.8%的準確率，超越了ChatGPT；在MATH數據集上，Q*幫助DeepSeek-Math-7b提升至55.4%的準確率，超越了Gemini Ultra; 在MBPP數據集上，Q*幫助CodeQwen1.5-7b-Chat提升至77.0%的準確率，縮小了與GPT-4的編程水平差距。

研究證明，Q*能夠幫助參數量僅為7b的小模型達到參數量比其大數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，算法在各個環節還有進一步的改進空間。未來，昆侖萬維會繼續深入此項研究，不斷提升國產開源模型推理能力，打破OpenAI閉源封鎖，為人工智能前沿技術發展帶來全新可能。