前段日子OpenAI推出的o1模型，以其提升显著的逻辑推理能力，引发了人们对它背后训练方法的热烈讨论。关于o1的介绍和输出结果demo，这里就不再赘述，大家可以去openai的官网上阅读（很短，读起来很快，因为秘密都藏好了）。我相信最近的一段时间里，当大家在网上探索o1是如何训练时，肯定会看到以下几个热点词：

• Test/Inference-Time scaling law，通过增加推理阶段的算力提升模型的推理能力
• Post Training，通过后训练提升模型的推理能力
• PRM/ORM：基于过程/结果的奖励模型
• CoT：思维链
• 强化学习、self-play（自我博弈）与MCTS（蒙特卡洛搜索树算法）

等等。

当这些词单个出现在我们面前时，我们似乎很难把他们串在一起。不仅如此，我们也不知道单个词背后的原理，比如“什么是test/inference-time scaling law"？什么叫把算力花在推理阶段？为什么把算力花在推理阶段就有更好的结果？它和post training又是什么关系？诸如此类，令人很难在脑海里想象出完整的流程图。

在我对o1的探索期间，我参考了这个github仓库（https://github.com/hijkzzz/Awesome-LLM-Strawberry），里面收集了内外网可能和o1背后的算法有关的各种资料，包括相关论文、代码和twitter post等等。其中不乏有o1核心contributor在近几年的研究成果。在阅读这些资料后，我发现他们可以被拆成2点：

• 框架类研究成果：可以理解成可能是o1训练算法背后的广义上的框架。它引入了一些诸如Test/Inference-Time Scaling law的基本思想，并给出了一些简单通用的实践方案。

• 细节变种类研究结果：可以理解成是套在框架的大壳里，或者受到框架的启发，在实操细节上做的算法变种（但发表时间上却不一定晚于框架）。总结起来就是，各家有各家的做法。

而本篇文章，就是侧重对框架类研究成果进行细致的解读和展开，我筛选出了2篇我认为可以被视作框架的文章，分别是：

• Let's Verify Step by Step  （OpenAI）

• Hunter Lightman, Vineet Kosaraju, Yura Burda, Harri Edwards, Bowen Baker, Teddy Lee, Jan Leike, John Schulman, Ilya Sutskever, Karl Cobbe

• Scaling LLM Test-Time Compute Optimally can be More Effective than Scaling Model Parameters (Google Deepmind)

• Charlie Snell, Jaehoon Lee, Kelvin Xu, Aviral Kumar

本文将以第二篇文章为基础，同时穿插第一篇文章的核心内容进行讲解。后续还会单独再开一篇lets verify step by step的解读。而在更后面的文章中，将会挑选出我认为比较有意思的细节变种类研究结果，例如可能和o1具有某些相似性的算法，配合源码（只要他们有）进行深入分析。

最后，这两篇文章，都属于大致读来没有难度，但是细节上又较难把握的类型，所以我尽量按照自己的经验在细节上做了解读，力求还原训练的方方面面，同时重拆了原始论文，尽量从一个【框架】的角度更好做阐述。另外在阅读本文前，建议大家先看openai o1技术报告中对于其输出结果的demo，更好了解什么是“模型的思考过程”

一、什么是Test/Inference-time Scaling Law

设想一下，当我们手里有一个基础模型（我们称其为generator），但是这个模型的逻辑推理能力（比如解数学题的能力）较差时，我们该怎么改进它？再说的具体点，不考虑数据集相关的成本，假设我手头的gpu算力（FLOPs）是有限的，我该怎么利用它，能让我的模型最终能推理出更好的结果？

一个比较直接的想法是：把算力花在它的pretain阶段，给模型注入更多数理逻辑的预训练知识。例如用更好、更多的代码数学等数据，或者扩展模型的参数规模。这个做法启发自大家都很熟悉的scaling law（更具体地说是pretrain-time scaling law）。

但是，当我们研读openai o1的技术报告时，我们会发现，它把这个算力更多地用在了2个地方：

• 用在了rlhf的训练上（post training）
• 用在了模型的推理阶段上（Test/Inferece）

详情可以参见o1报告中绘制的这幅图：

• 曾经，为了提升模型的逻辑推理能力，我们把算力都花在pretrain阶段，由此诞生了pretrain scaling law

• 现在，已经有现成的产品证明，算力如果花在post training和inference上，模型的推理能力将得到更大提升，也就是存在一个Test/Inferece scaling law。

• 正如pretrain scaling law受到模型参数和训练数据的影响一样，Test/Inferece scaling law也必然受某些因素影响，而这些因素是什么，又是怎么影响的，就是本文要探索的内容。

不过等等，此时你肯定想问：

• 问题1：一般来说，一个模型的效果是由它的训练阶段决定的，所以如果这里说通过pretrain或者post training来提升模型的推理能力，我都能理解。但是inference阶段是怎么提升模型的推理能力的？你说的把算力用在inference阶段到底是什么意思？

• 问题2：post training和inferece是两种独立的提升模型推理能力的方法吗？它们可以结合在一起使用吗？

下面我们循序渐进地来回答这2个问题。

把算力用在inference阶段，也就是说，在不动我们已经训练好的模型的情况下，只通过优化推理方法，来提升模型最后的生成效果。这里又分成两种情况。

• 优化推理输入
• 优化推理输出

1.1 优化推理输入：prompt

这个方法大家应该非常熟悉了。例如，原来你的模型吃一个问题，直接吐给你回答。但是现在为了让模型能更好模拟人类的思考方式，你希望【模型在步步思考后再给出回答，也就是模型的生成结果里包含思考步骤+答案】，那么你可以选择在prompt中给模型相应的例子，或者在多轮对话中引导模型think step by step，来实现这个目标。相关论文可以参见：

• Chain-of-Thought Prompting Elicits Reasoning in Large Language Models
• Jason Wei, Xuezhi Wang, Dale Schuurmans, Maarten Bosma, Brian Ichter, Fei Xia, Ed Chi, Quoc Le, Denny Zhou

你的prompt给的越细节，你的多轮引导给的越多，模型或许就能产出更好的结果。而更多的token意味着推理阶段需要花费更多的算力，所以这就是我们所说的【把算力花在推理阶段上可以提升模型效果】的具体内容之一。

1.2 优化推理输出：revise output distribution

可是，优化推理输入的方法还是不够直接。难道对于每一个问题，我需要精心设计prompt，或者手动诱导模型think step by step才行。所以能不能让模型吃下一个问题后，自动化地去做CoT的过程呢？

也就是说，现在我们希望模型在吃下一个问题后，能自主产生以下输出：

attempt1 -> attempt2 -> attempt3 -> ...-> attempti -> answer

其中，每个attempt包含“多个中间步骤steps + 最终答案”，也就是它在模拟人类的思考过程：先做一次attempt，然后发现问题，在此基础上在做别的attempt，直到找到最终答案。

那么我要怎么让模型做到这点呢，一个直观的方法就是，如果我有：

problem -> attempt1-> ... -> attempti -> answer

这种带标签的数据，那我不就能直接训练了？训练的方法也有很多，例如：

• 解法1：我直接做sft，把最正确的attempt放在输入序列最后，当作label进行训练即可

• 解法2：我用类似rlhf的方法，先有一个奖励模型，它能对每一个思考步骤做评估，然后利用这个评估结果，指引模型步步搜索，每一步都找到最佳的思考步骤，最后不就能找到答案了？

这两种解法，仅从训练方法上来说，都可以算成是post-training，也就是我们通过把算力花在post-training上来提升模型的逻辑推理能力。

可是，本文的标题不是【把算力花在inference上】吗？inference在哪里呢？我们再重新端详这2种解法：

• 假设我们使用解法1或者解法2 post training好了模型，现在我们拿它做推理。模型吃一个问题，产出一系列中间结果和答案，但是你能保证，这些中间结果和答案一定是最好的吗？

• 而此时，如果我们能有一个可以用来评估中间步骤好坏的verifier（比如解法2中的奖励模型），那么我们是不是就能在在使用这些post-training过的模型做推理时，更好指引模型步步产出更好的结果？例如，我们对一个问题采样多个attempts链，从中找最好的。或者在单个attempts中找到最好的attempt，诸如此类。

• 或者说，假设我们在post-training阶段，使用这个verifier来指导模型自动化产生高质量的训练数据（这是个inference步骤），基于这些数据我们再做对齐。那么或许我们就能直接信任post-training的结果了。

所以，【优化推理输出】这一部分，你可以把算力全部花在post-training上，也可以花在post-training+inference上，从o1的技术报告上看，它应该选择了后者，同时post-training选择了某种基于强化学习的方法（其实o1在pretrain阶段应该也有变动，具体的分析我们在后文中会通过实验数据给出猜想）。至此，我们就把问题1和问题2都回答清楚了。

在理解了这些的基础上，我们就大概知道【框架】长什么样，具体而言：

1. 首先，我们需要引导模型从“只产生结果”变成“同时产生中间步骤和结果”，这个过程称为post-training，这个过程里，你既可以使用基于强化学习的技术，也可以只做sft微调。你既可以只关注模型是否遵循了格式（即只关注是否产出了中间结果，而不关注中间结果的质量），也可以同时关注格式+中间结果质量

1. 其次，我们需要训练一个能够评估中间结果的verifier，这其实也算post-training的一部分。这个verifier既可以被用在基于强化学习的post-training中（但它不一定是唯一的价值评估模型），也可以被用在第3步的inference阶段中引导搜索。

1. 接着，我们需要设计一种搜索方法。它能够根据verifier返回的中间结果评估分数，在推理阶段更好指引模型做步步搜索，以达到思考的每一步都能最优化。（如果在post-training阶段，你只关注格式，那么inference阶段应用这种搜索方法就能更好指引搜索结果；如果你已经关注了格式+质量，这种方法也依然能达到更上一层楼的效果）。同时注意，如果在post-training阶段我们已经使用了基于强化学习的方案，那么这种搜索方法同样也能用在模型生产“经验数据”的阶段，这样可以在自产自消的基础上，动化筛选高质量的数据集再做对齐（避开人类标注，不是必须，但如果做得好的话，inference可能只需要在post-training阶段使用，目的是筛选高质量数据，而不需要在post-training后再做使用了）。

有了对框架的理解，接下来我们就来看deepmind基于这个框架做的两种方案：

• 方法一：利用PRM（Process-supervised Reward Model）指引搜索

• post-training：只引导模型对齐格式 + 训练基于过程的verifier（PRM）
• inference：使用PRM指引搜索

• 方法二：通过sft直接改变模型的输出分布（Revise proposal distribution）

• post-training：通过sft方式引导对齐格式 + 保障中间结果基本质量 + 训练基于过程的verifier（PRM），这里直接用了的方案一中的PRM。
• inferece：使用PRM指引搜索

其中，方案一着重探讨训练PRM的一般方法和搜索过程的设计。方案二则给出sft型post training的一个例子。如果只看原始论文，我们很容易把这两种方案理解成Test/Inference scaling law的两方面。但是在我们总结出【框架】的基础上，就可以发现其实它们讲的是同一件事情，只是描述的侧重点不一样。

【注⚠️⚠️：本节内容打破了原始论文的逻辑结构，含有大量笔者的主观理解，大家选择性阅读】

二、方法一：利用PRM指引搜索

这种方法的主要目的，是通过训练一个能够评估过程数据的奖励模型（Process-supervised Reward Model，PRM。与之相对应的是基于结果做评估的ORM，outcome-supervised Reward Model），来引导模型在推理阶段更好搜索出最佳答案。具体步骤如下：

• 格式训练：先对模型做sft，使其能够产出带有过程数据的结果

• 训练PRM：训练一个能够评估过程的verifier，我们称其为PRM

• 使用PRM指导搜索过程：利用训练好的PRM，引导模型搜索出最佳答案。

我们来细看这三点。

2.1 格式训练

对于一个不做任何处理的基础模型，我们喂给它一个问题时，它一般会直接把答案吐给我们。

现在，我们希望引导模型在给出答案前，花更多的时间进行“思考”，也就是说，我们希望模型按照“思考步骤 + 回答”的这种格式，返回给我们response。

所以在这里我们需要先对模型做格式finetune。具体的方法是：

• 自生产数据：在prompt中添加格式例子，引导模型按我们想要的格式产出结果。例如，我们可以按照一个思考步骤（step）一行的方式要求模型（正如lets verify step by step这篇论文说的一样）。我们把这些结果添加进sft数据集

• sft：使用这批自动化构建的sft数据集，微调模型，使其在之后回答问题时，都能按照“思考步骤+回答”的方式生成数据。

注意，这个sft过程仅仅是侧重于格式微调，并不关注思考步骤的质量。思考步骤的质量是我们在后续过程中要考虑的事情。

2.2 训练PRM

现在，我们的模型已经能在生成结果里产出“思考步骤”数据了。我们需要训练一个能够评估这些steps的奖励模型，也就是PRM（Process-supervised Reward Model）。

有“supervised”，必然需要带有label的数据，也就是对于每个step，我们需要给它一个真值评分。那么根据你是【超级有钱人】【有钱人】【一般有钱人】（能训得起来的都不算穷），我们有不同的构造方法。

（1）【超级有钱人】

• 直接调用格式微调后的模型，喂它吃一波问题，产出一波“steps + 回答”的数据（数据量级庞大）

• 让人工对steps打label（例如positive/negative/neural）。

这种方法除了昂贵和耗时，似乎没有别的缺点。

（2）【有钱人】

比起粗暴地将一堆数据打包给人工做标注，我们可不可以通过某种方式做细节筛选，只送那些我们认为有价值的数据给人工做标注呢？

• 直接调用格式微调后的模型，喂它吃一波问题，产出一波“steps + 回答”的数据（数据量级不大）

• 过滤掉一些含有“无效回答”的数据。例如，无法被解析的回答（无法解析的latex公式等等）。注意，“无效!=错误”

• 让人工对steps打label（例如positive/negative/neural）

• 用目前标注好的数据，先训一轮PRM

• 决定如何使用PRM结果对“steps +回答”做一个整体打分，例如：

• 连乘式（prod）：PRM会对每个step进行打分（离散标签下，这个得分表示概率）。我们将所有steps的得分相乘，用于表示整体的分数

• 最小式（min）：取所有steps中最小的得分作为整体得分。这是因为从直觉上，steps有一步出错，整个逻辑链就很可能出问题。所以我们取最坏的情况作为整体得分。

• 最后一步式（last step）：当你训练PRM时，你肯定不是把单个step喂给PRM让它去做打分，而是把全部steps一起喂给它，让他们拥有上下文关系（PRM需要根据前面的steps去判断当前step的得分）。所以理论上，你取last step的得分，也可以反映出整体得分。

• prod和min都是openAI在《lets verify step by step》中探索过的方法，last step则是deepmind在本文中使用的方法。这些方法间没有绝对好坏之分，取决于你是如何设计整个训练过程的（我们在后文还会再来看这点）。我们在这里只强调“需要制定出一种规则，能够将PRM的单步打分映射成整体打分。”

• 再次调用模型，产出一波数据。调用当前版本的PRM，利用上述所说的整体打分规则，对一个问题的“steps”整体进行打分。我们特别筛选出convincing wrong answer数据（整体得分很高，但是最后的答案却是错误的），只把这些数据送给人工做标注。之所以选择这种带有bias的数据，是因为它们对当前PRM具有迷惑性。

• 重复上面过程，迭代式地训练PRM

总结起来，这种方法也需要人工做标注，但通过对数据集的筛选，把钱花在了刀刃上。

（3）【一般有钱人】（重点关注）

在这种情况下，我们完全不需要人工标注数据，也就是说每个step价值的真值label也是我们通过某种自动化的方法估计出来的，那么具体怎么做呢？

• 直接调用格式微调后的模型，喂它吃一波问题，产出一波“steps + 回答”的数据（数据量级看需要）

• 更具体来说，对于每个问题，我们采样N个samples（在deepmind的设置中N=16，一个sample就是一个“steps + 回答”）

• 过滤掉一些含有“无效回答”的数据。例如，无法被解析的回答（无法解析的latex公式等等）。注意，“无效!=错误”

• 我们通过N Monte-Carlo rollouts来预估每个step的价值。deepmind的文章中没有给出具体的操作方法，这里笔者根据经验猜一下可能的实现思路：

• 假设某个sample为"step1 -> step2 -> step3 -> answer”，现在我们想分别估计step1~step3的价值
• 以step1为例，我们以它为起点（起点的意思是，问题 + step1），接下来继续采样N个samples。它模拟了N种“从step1出发到产出回答”的方案。
• 我们计算能够得出正确answer的方案比例。这个比例就作为step1的预估价值label。
• 由于这个label只是标志“从当前step出发，能找到正确答案的可能”，并不直接表示当前step是postive/negative/neural，所以这个label又被称为“soft label”。
• 对于step2和step3，我们也是同理估算其价值

• 有了这个被我们自动化模拟出来的step soft label，我们就可以用它来训练PRM模型了。在deepmind的设置中，PRM依然是一个二分类模型，只是计算loss时真值标签非离散。

2.3 使用PRM指导搜索过程

到这一步为止，我们已经有以下模型：

• 一个能按照格式，产出中间思考步骤的模型（generator），但中间思考步骤质量得不到保证

• 一个能对中间思考步骤进行评估的奖励模型PRM（verifier）。再次强调，当我们把数据喂给PRM做评估时，我们不是只喂单个step，而是喂完整的“问题 + steps ”数据，因为逻辑思考步骤间存在上下文关系。

而现在我们想做的事情是：

• 如何在不对generator继续做任何训练的情况下，使用verfier，来引导generator搜索出最佳的“steps + answer”？

也就是说，我们不想把额外的算力（FLOPs）花费在generator本身的training上了。我们希望把算力花费在推理阶段，用更长更复杂的推理流程（表现在generator上就是“思考”的时间变长），让genertaor找到最佳答案。

所以接下来，我们就来详细介绍和分析3种常用的搜索方案。下图给出了这3种方案的概览。接下来，我们会详细介绍这3种搜索方案的实现细节，并分析它们的效果。

这里再额外提一句，当PRM训练好之后，我们同样需要制定一个规则函数，将PRM的单步打分映射成整体得分，也就是对一个问题下的某个“steps + answer”有个整体评分。在这个基础上我们再来做搜索。详情前文中已提过，大家可以翻回去阅读（Deepmind使用的是last step打分方法，所以接下来的介绍我们都默认PRM的整体打分方式是这种）。

（1）Best-of-N

Best-of-N方案因为简单直观，所以其搜索出的答案的准确率经常被当作baseline，和其他方案做比较。Best-of-N的具体方案如下：

• 对于一个问题，我们采样N个samples（单个sample = steps + answer）
• 调用PRM，对这N个samples的中间步骤进行整体打分。常用的打分方法有prod式、min式、last step式（前文提过）
• 选取整体得分最高的那组steps + answer作为输出

还有一种稍微改良的、加权版Best-of-N weighted方式（Deepmind给出的介绍比较模糊，所以下面介绍中包含了笔者的一些猜想）：

• 对于一个问题，我们采样N个samples（单个sample = steps + answer）
• 检查这N个samples的answer。假设这些samples一共给出了x，y，z这3类答案，每个答案下分别有a，b，c个answers（N = a+b+c）
• 那么对于答案是x的sample，它的最终得分 = (a/N) * PRM给出的整体得分。a/N就被称为权重。

(2）Beam Search

• 对于一个问题，我们先并行采样N个step1（例如上图中N=4）

• 将每个“问题+step1”送入PRM，获取step1的得分。

• 取出得分为top M的step1

• 对这些被筛选出来的step1继续做生成，每个step1下再产出N个step2，重复上面步骤（评估step2的分数时要传入问题 + step1 + step2），以此类推，直到达到设定的搜索停止条件为止

（3）Lookahead Search

• 对于一个问题，我们先并行采样N个step1（例如上图中N=4）

• 此时，我们不急着直接用PRM对step1们打分。对每个step1，我们让它继续往下生成K个step。然后将最后一个steps们送进PRM进行打分，并筛选出分数最高的top M个结果，返回它们对应的step1。现在这些step1才是我们最终筛选出来的结果。

• 从这些step1出发，重复上面的步骤，直到达到设定的搜索停止条件为止。

不难看出，lookahead search的核心在于，对每一步做筛选时，都会先“向前看K步”，用K步后的收益去评估当前步骤的结果。所以，beam seach可以看成是lookahead seach的K=1版本。

值得一提的是，如果你了解过MCTS（Monte Carlo tree search，蒙特卡洛搜索树算法），你会发现lookahead seach和它在广义上非常相似。在MCTS中，同样是搜索最佳路径（策略），我们会在搜索的过程中使用一些随机因子，目的是通过多探索（explore）的方式去预估每一步的价值，进而学习价值函数。而在lookahead search + PRM中，这个训练好的、固定的PRM则替代了MCTS中的explore过程，这时lookahead search只要负责利用（exploit）就可以了。所以，lookahead search + PRM，从广义上看就是一种MCTS的方法。关于MCTS，我们会在后面的文章中来详细讲解它。

2.4 如何选择最佳搜索方法

有这么多的搜索方法，我们应该如何做选择，才能保证能得到最好的搜索效果呢？（也就是让模型的推理效果最优）

我们可以先从直觉上大概猜想一下，什么要素会影响模型的搜索效果：

• 搜索预算（generation budget）：这就是指采样数量N。即对于一个问题，你在搜索时想做多少条并行采样。我们考虑N的原因是GPU的算力是有限的。

• 问题难度（difficulty）：对于简单的问题，模型或许利用预训练好的知识就能做回答，不需要引入复杂的搜索方法。而对于较难的问题则可能更需要设计好搜索方法引导模型步步思考。

根据这两个直觉性的思考，作者做了如下两组实验：

（1）搜索预算对搜索效果的影响

我们先看左图，它探究了搜索预算对模型推理效果的影响。橘色代表best-of-N weighted，是我们用于比较的基线。从图中可以看出：

• 当搜索预算较小时（即对一个问题的并行采样N较小时），beam seach > best-of-N > lookahead

• 当搜索预算较大时（即对一个问题的并行采样N较大时），best-of-N > beam seach > lookahead，同时在beam search的M超参选择合理的情况下，其效果约等于best-of-N

• 最复杂的lookahead搜索方法，表现基本处于垫底趋势。

我们可以从直觉上给出上述现象的一些解释（这里论文说得也很模糊，所以依然是笔者根据论文部分内容做了主观理解）：

• 当N较小时，在对一个问题并行采样出的N种结果里，可能很难直接命中最佳答案。这时通过更为复杂的搜索策略（例如beam search），从一次性采样转变为步步精心选择，可能会取得更好的结果。当N较大时同理可推。

• 在PRM训练得足够好的情况下，在搜索的每一步，我们可以更关注利用当前（expolit）而不是探索未来（exploration），正如前文所说，探索的本质是去寻找更好的价值函数，但它的风险是随机性较强。所以复杂的lookahead方法在我们的场景下表现并不好。

（2）问题难度对搜索效果的影响

我们再来看右图，它探究了问题难度对搜索效果的影响。bin1～5分别表示5种难度（从易到难），每个bin下的4根柱子分别表示不同的搜索预算（4，16，64，256）。也许是考虑到先前实验中lookahead表现不佳，以及beam search本身也能代表一种lookahead搜索的原因，这里作者直接把lookahead从实验对象中剔除了。从这个实验中我们可以发现：

• 在中上难度的问题上（难度3，4），beam search > best-of-N；
• 在简单的问题上（难度1，2），best-of-N > beam search（或者beam search略略好一些）。
• 在最难的问题上（难度5），两者的表现都不好。
• 当然，上面这些趋势只是概括性的，具体的波动还收到搜索预算的限制，大家可以自行细看实验图。

我们从直觉上对以上现象做一些解释（同样包含笔者的主观解读）：

• 在简单的问题上，模型在pretrain阶段获取的知识已能使其大概率作出正确回答。也就是说，你对一个简单问题随机sample出N个结果，这个N里大概率有正确答案。这时就没有必要引入复杂的搜索方法（引入PRM），做步步评估了，毕竟评估过程是链式的，有一个step评估错误，就可能有连锁负面效果。对复杂的问题同理可推。

• 当问题特别困难时，“PRM + 某种搜索方法”的后处理模式可能已经不能单独适用，这时或许提升模型在pretrain阶段的预训练知识更为必要。这使我想起了openAI o1来，它在一些复杂的数学推理上也能取得很好的效果，所以虽然官方说得是在inference阶段增加了算力（包含强化学习的后处理方式），但是或许它对base模型也做过了处理，例如增加了代码、数理逻辑知识的比例。或者可能改变这个比例直接重新训练了base模型。

（3）对搜索方法的小结

1. 搜索的效果（也即模型的推理效果）受到搜索预算和问题难度的限制，我们是在这些限制中去选择合适的搜索方法。

1. 当搜索预算较小，问题较难时，更适合beam search方法，但要注意超参的调整

1. 当搜索预算较大，问题较简单时，更适合best-of-N方法

1. 当PRM训练得足够好时，更复杂的搜索方法（例如lookahead search）的表现可能并不好

1. 当问题特别困难时，test-time scaling law的作用可能有限，这时可能有必要重新审视pretrain阶段，通过增加/调整数据比例，扩张模型规模等等方式，给pretrain模型注入更多的相关知识。

三、方法二：直接改变模型的输出分布

在上文中，我们介绍了使用“PRM + 搜索方法”的模式，使用PRM来引导模型的步步推理过程，找到最佳答案。现在，我们再来看另外一种提升模型推理准确率的方法：直接改变模型的输出分布（refining the proposal distribution）。

在“PRM + 搜索方法”的模式中，我们曾提到过，先通过sft的方式训练模型能够按给定的格式（步步思考的方式）生成结果，这一个步骤只起格式对齐作用，不对思考过程质量负责。那么此时你肯定会想：如果我能用具有高质量思考步骤的数据，直接sft模型，那么不是也能达到同样的效果吗？而这样的模型一旦训成，在之后的推理阶段，它就会在吃进一个问题后，【自主地】开始步步思考了，不需要什么搜索方法，也不需要PRM，只需要利用它的生成能力，就像下图这样：

如上图，模型在吃进问题后，经过了多次attemp，步步逼近正确结果。

而训练这样一个模型，sft的过程没什么好说的，关键是在“高质量sft数据如何收集”这一方面，所以接下来我们就详细来看这一点。除了本文提供的这种训练方法外，我们最近在openAI o1热搜里高频看到的STaR、Quiet-STaR这两个模型，也可以大致归为这一类（Quiet-STaR有一些特殊，涵盖了更多巧思），我们在后面的文章里，会结合源码再来看看这两个有趣的模型。

3.1 收集sft数据

如何才能使用最少的成本，生成高质量的涵盖中间思考步骤的sft数据？我们直接来看作者们的做法：

• 首先，我们有“问题 + 答案”这种有监督的数据，只是我们缺少中间过程。我们希望模型能模拟人类思考方式，通过尝试各个attempt，逐步逼近正确答案。

• 然后，我们用同样的方法，先对模型做格式微调，使其能够产出“中间结果 + 答案”（注意，不是上图中的多个attempt，而是上图中的单个attempt）。这一步同样只负责格式，不负责质量

• 接着，利用模型，对每个问题，并行采样出N个attempt（单个attempt = 中间结果 + 答案，N=64），同样过滤掉一些涵盖无效答案的attempt（再复习下，无效!=错误）

• 由于每个attempt中都包含了答案，答案是有标签的，所以我们可以知道哪些attempt给出了正确答案。我们说这些attempts是正确。

• 现在，我们希望为每个正确attempts匹配上若干错误attempts，作为一条训练数据。也就是我们的训练数据是“问题 + 若干错误attempts + 正确attempt”的形式，这一步是让模型模拟人类思考的模式，从步步错误的attempts中推出正确的。具体做法如下：

• 从0～4中均匀采样出一个数字，记为x。现在对于每个正确回答，我们都要为其匹配x个错误回答

• 先从所有的错误回答中，根据编辑距离，找到和这个正确回答最相似的错误回答（编辑距离可能不是精确衡量相似度的好方法，但是对于这个场景够用了）

• 然后再从剩下的不正确的回答中，随机采样x-1条。

• 对于一条正确回答，现在我们可以按照（问题，随机不正确回答x-1，最相似的不正确回答，正确回答）来组成一条经验数据，这条数据被称为trajectory，将被我们用来对模型做sft。其中，正确回答是模型要预测的部分，之所以要选择一条比较相似的错误回答放在这里，是为了能让模型知道自己是在不断纠正错误中【学得更好】。

• 同时注意，当你在某次采样时，采样出的x < 4的时候，你需要把采样分布调为0～x，然后进行下一次采样。这样做是为了确保我们的trajectories尽可能涵盖各个不同数量的非正确-正确答案组合。

当你审视上面这个收集sft数据的方法时，你可能会觉得它有很多可以改进之处，例如：只是答案正确，就认为这个attempt正确了吗？它的中间步骤中可能是有错的，这可能是个false positive。所以，一种可以想见的改进办法是，依然引入训练好的PRM，对中间步骤再做评估，更有利于选择尽可能正确的attempt。举这个例子是为了说明，本文只是提供了一种可能的数据收集方法，而不是数据收集标准，在我们实际的研究中，还有很多可以探索的地方，不过它们的核心都是【自动化】收集supervised数据。

3.2 模型训练的停止时间

我们再来看一个有趣的问题：当我们使用上面的数据，进入sft训练后，我们该怎么判断sft训练可以停止的时间？

• 模型在评估集上的loss判断模型的训练程度。我们当然期望评估集loss逐步变小，当我们观察到评估集loss上升时，这往往意味着模型已经开始出现过拟合了，我们一般会在这个趋势开始前对模型训练做早停。

• 但是，在这个实验里，作者观察到在评估集loss上升很久以后，模型依然表现得非常好。这是因为评估集数据是off-policy的，模型在不断更新，评估集的数据分布已经赶不上模型了，所以模型在它上面的loss并不能真实反馈出模型训练的情况

• 所以，最终作者选择在发现过拟合现象的一段时间后，再停止训练模型

3.3 如何选择最佳生成方法

正常来说，如果这样一个sft模型训练得足够好，那么我们喂给它一个问题，只需要让它源源不断生成attempt直到<end>，然后取最后一个attempt就可以了。但是事实上，可能会存在以下问题：

• 我们并不能保证最后一个attempt就一定是正确的。很有可能中间产出了正确attempt，模型又把它修错了。

• 我们并不能保证对于一个问题，只生成一个回答（即一个attempts链），这其中就一定有正确的attempt。

所以，尽管理论上我们可以使用sft模型。但是为了取得更好的效果，实际上我们依然会配合“verifier + 搜索方法”的方式做推理。之所以这里写成verifier而不是PRM，是因为verifier不一定是基于过程的，也可以是基于结果的（orm），我们来看一张架构图：

• 【左侧-parallel sampling】：这里只是告诉我们parallel sampling是如何做的，并没有告诉我们该选择哪个结果。在我们的场景下，parallel sampling表示对一个答案生成多个attempts链（每个链里涵盖若干attempt）

• 【左侧-sequential revisions】：这是最naive的推理方式，也是生成单个attempt链，其中包含多个attempt。同样只阐述过程，不讲选择方案

• 【右侧-parallel best-of-N】：右侧的图开始讲选择方案。这里引入了verifier做选择。对于一个问题，模型可以并行采样多个结果，每个结果都是一串attempts链条，最后借助verifier选择得分最高的attempts链条。

• 【右侧-sequential revisions】：同样也是引入verifier，我们让模型按顺序生成多个attempts，不过我们并不能完全相信最后一个attempt一定是正确的。所以我们用verifier帮我们判断在这个链条中应该选择哪个attempt。

• 【右侧-combing sequential/parallel】：同时生成多个链，每个链里若干个attempt。先在每条链内部通过verifier找到最佳attempt，然后所有的最佳attempt放在一起，通过verifier找到最优的

作者在这里同样通过实验的方式，在搜索预算（采样数量N）和问题难度的限制下，决定自己应该使用哪种生成方法。实验内容我们就不放了，大家可以自行阅读文章，这里我们直接给出结论：

1. 在简单的问题上，通过sequential的生成方式（单个attempts链中找最佳attempt）效果更好

1. 在复杂的问题上，通过sequential + parallel合并的方式效果更好，但要选择好合适的超参

四、Pretrain还是Inference?

在上面的过程中，我们介绍了两种把算力集中在inference/post training阶段来提升模型最终推理效果的方法（但正如本文前言所说，这其实算两种框架，其中的具体做法是指例子，实践起来我们可以做很多变种）。在了解这些方法的前提下，你一定很想从量化实验结果中知道：在inference scaling law指引下的结果，能比pretraining scaling law指引下的结果好多少？换句话说，我给inference和pretrain分配相同的算力，他们的表现又会怎么样？

在论文中，作者简单给出了一些建模指标和说明。笔者曾尝试从更细节的角度去理解它们，但是很遗憾，论文给出的描述有许多有歧义和模糊的地方，以笔者目前的能力无法给出一个自洽的解释。所以在这一节，笔者打算直接放出实验效果图，从直观上大概解释一下pretrain VS inference的问题：

左右两幅图分别是在【利用PRM指引搜索】和【直接改变模型输出分布】这两种方法上的效果，两者的实验方法一致，所以我们只需看其中一幅图就好。在这个实验中：

• 横轴表示算力（FLOPs）
• 纵轴表示模型的推理效果。
• 不同颜色的曲线表示不同的的问题难度
• 带圆点的曲线表示将这部分算力全部用于inference时模型的效果
• 每个虚线表示算力在pretrain和inference中的交换比例。星号表示当把这部分算力以一定比例给pretrain时，模型最终的推理效果（不能完全换给pretrain，因为pretrain阶段做继续训练后，本身也需要算力做推理）

从中，我们可以发现，对于较简单的问题（难度在1～3），星号普遍在圆点之下，也就是这一部分固定的算力全部用于inference时表现较好；而对于较复杂的问题（难度在4~5），星号普遍在圆点之上，这意味着复杂问题还是需要依赖预训练知识的更新。