发布不到1周，OpenAI最强模型o1的护城河已经没有了。

有人发现，谷歌DeepMind一篇发表在8月的论文，揭示原理和o1的工作方式几乎一致。

这项研究表明，增加测试时（test-time）计算比扩展模型参数更有效。

基于论文提出的计算最优（compute-optimal）测试时计算扩展策略，规模较小的基础模型在一些任务上可以超越一个14倍大的模型。

网友表示：

有人由此感慨：

就在刚刚，OpenAI将o1-mini的速度提高7倍，每天都能使用50条；o1-preview则提到每周50条。

谷歌DeepMind这篇论文的题目是：优化LLM测试时计算比扩大模型参数规模更高效。

研究团队从人类的思考模式延伸，既然人面对复杂问题时会用更长时间思考改善决策，那么LLM是不是也能如此？

换言之，面对一个复杂任务时，是否能让LLM更有效利用测试时的额外计算以提高准确性。

此前一些研究已经论证，这个方向确实可行，不过效果比较有限。

因此该研究想要探明，在使用比较少的额外推理计算时，就能能让模型性能提升多少？

他们设计了一组实验，使用PaLM2-S*在MATH数据集上测试。

主要分析了两种方法：

（1）迭代自我修订：让模型多次尝试回答一个问题，在每次尝试后进行修订以得到更好的回答。（2）搜索：在这种方法中，模型生成多个候选答案，

可以看到，使用自我修订方法时，随着测试时计算量增加，标准最佳N策略（Best-of-N）与计算最优扩展策略之间的差距逐渐扩大。

使用搜索方法，计算最优扩展策略在初期表现出比较明显优势。并在一定情况下，达到与最佳N策略相同效果，计算量仅为其1/4。

在与预训练计算相当的FLOPs匹配评估中，对比PaLM 2-S*（使用计算最优策略）一个14倍大的预训练模型（不进行额外推理）。

结果发现，使用自我修订方法时，当推理tokns远小于预训练tokens时，使用测试时计算策略的效果比预训练效果更好。但是当比率增加，或者在更难的问题上，还是预训练的效果更好。

也就是说，在两种情况下，根据不同测试时计算扩展方法是否有效，关键在于提示的难度。

研究还进一步比较不同的PRM搜索方法，结果显示前向搜索（最右）需要更多的计算量。

在计算量较少的情况下，使用计算最优策略最多可节省4倍资源。

对比OpenAI的o1模型，这篇研究几乎是给出了相同的结论。

o1模型学会完善自己的思维过程，尝试不同的策略，并认识到自己的错误。并且随着更多的强化学习（训练时计算）和更多的思考时间（测试时计算），o1 的性能持续提高。

不过OpenAI更快一步发布了模型，而谷歌这边使用了PaLM2，在Gemini2上还没有更新的发布。

这样的新发现不免让人想到去年谷歌内部文件里提出的观点：

如今来看，各家研究速度都很快，谁也不能确保自己始终领先。

唯一的护城河，或许是硬件。

（所以马斯克哐哐建算力中心？）

有人表示，现在英伟达直接掌控谁能拥有更多算力。那么如果谷歌/微软开发出了效果更好的定制芯片，情况又会如何呢？

值得一提的是，前段时间OpenAI首颗芯片曝光，将采用台积电最先进的A16埃米级工艺，专为Sora视频应用打造。

显然，大模型战场，只是卷模型本身已经不够了。

参考链接：https://www.reddit.com/r/singularity/comments/1fhx8ny/deepmind_understands_strawberry_there_is_no_moat/