o1 完整版公開僅 10 天，Scaling Law 新範式就被逆向工程複現了！
Hugging Face 官方發文，開源了擴展測試時計算的方法。
用在小小小模型 Llama 1B 上，數學分數直接超過 8 倍大的模型，也超過了計算機科學博士生的平均分數（40%）。
那麽用在 Llama 3B 上呢？進步幅度更大，甚至能和 20 幾倍大的 70B 模型媲美。
雖然 OpenAI o1 的配方完全保密，沒有發布實現細節或代碼，但團隊基于 DeepMind 公布的研究結果，完成了自己的實驗。
在 DeepMind 研究的基礎上，Hugging Face 團隊做出如下改進：
多樣化驗證器樹搜索（Diverse Verifier Tree Search），一種簡單而有效的方法，可以提高多樣性和更高性能，特别是在算力預算充足的情況下。
開源輕量級工具包 Search and Learn，與推理框架 vLLM 配合，快速構建搜索策略
測試時計算擴展策略
目前擴展測試時計算主要有兩種策略：自我優化和搜索。
在自我優化中，模型識别和糾正後續叠代中的錯誤來叠代優化自己的輸出或 " 想法 "。
團隊認爲雖然此策略對某些任務有效，但通常要求模型具有内置的自我優化機制，這可能會限制其适用性。
搜索方法側重于生成多個候選答案并使用驗證器選擇最佳答案。
搜索策略更靈活，可以适應問題的難度。Hugging Face 的研究主要聚焦于搜索方法，因爲實用且可擴展。
其中驗證器可以是任何東西，從硬編碼到可學習的獎勵模型，這裏将重點介紹可學習的驗證器。
具體來說，研究涉及三種搜索策略：
Best-of-N
爲每個問題生成多個響應，并使用獎勵模型爲每個候選答案分配分數。選擇分數最高的答案（或加權變體），這種方法強調答案質量而不是頻率。
Beam search
一種探索解決方案空間的系統搜索方法，通常與過程獎勵模型 （PRM） 相結合，以優化解決問題中中間步驟的采樣和評估。與在最終答案上産生單個分數的傳統獎勵模型不同，PRM 提供一系列分數，推理過程的每個步驟分配一個分數。這種提供精細反饋的能力使 PRM 非常适合大模型。
多樣化的驗證器樹搜索 ( DVTS )
新開發的 Beam search 變體，它将初始 Beam 拆分爲獨立的子樹，然後使用 PRM 做貪婪擴展。這種方法可以提高解決方案的多樣性和整體性能，尤其是在測試時算力預算較大的情況下。
實驗設置：3 種搜索策略 PK
首先将數學問題提供給大模型，生成 N 個中間步驟。
每個步驟都由 PRM 評分，估計每個步驟最終能得出正确答案的概率。
給定的搜索策略使用這些步驟和 PRM 分數，來選擇應該進一步探索哪些方向，生成下一輪中間步驟。
搜索策略終止後，PRM 将對最終候選解決方案進行排名，以生成最終答案。
爲了比較各種搜索策略，研究中使用了以下開放模型和數據集：
語言模型，Llama-3.2-1B-Instruct作爲主要實驗對象，因爲輕量級模型可以快速叠代，并且在數學基準測試中性能不飽和
流程獎勵模型，使用了Llama3.1-8B-PRM-Deepseek-Data，與語言模型同屬一個系列，且在測試中給出了更好的結果。
數據集，使用 MATH 基準測試的子集MATH-500，該子集由 OpenAI 發布，數學問題橫跨 7 個科目，對人類和大多數模型來說都有挑戰性。
實驗結果：動态分配策略達到最優
首先，多數投票策略比貪婪解碼基線有顯著改進，收益在大約 N=64 後趨于穩定。
團隊認爲，之所以出現這種限制，是因爲多數投票難以解決需要細緻入微推理的問題，或者解決幾個答案錯到一塊去的任務。
獎勵模型加入後的策略，表現均有提高。
Best-of-N策略分爲兩種變體，原版（Vanilla）不考慮答案之間的一緻性，加權版（Weighted）彙總所有結果相同的答案，并選擇總分數最高的。
結果發現加權版始終優于原版，特别是在算力預算大的時候更明顯，因爲确保了頻率較低但質量較高的答案也能獲選。
Beam Search策略終于讓 1B 模型表現開始高于 8B。
但 Beam Search 并不是萬金油方法，在簡單的問題上表現反而不如 Best-of-N。
團隊通過查看結果樹，發現如果一個中間步驟獲得了高分，那麽整個樹就會坍塌到這一步，影響了後續答案的多樣性。
最終，DVTS方法改進了答案的多樣性，該方法與 Beam Search 相比有以下不同之處：
對于給定的 Beam 寬度（M）和生成數量 N，初始 Beam 集設定爲 N/M 個獨立子樹
對于每個子樹，選擇 PRM 分數最高的步驟
生成 M 個新的下一步，繼續選擇分數最高的
重複這個過程，直到生成 EOS token 後終止，或達到最大深度
在對問題難度細分後，發現 DVTS 方法在 N 比較大時增強了對簡單 / 中等難度問題的性能。
而 Beam Search 在 N 比較小時仍然表現最好。
最終基于問題難度動态分配策略的方法可以取得最佳成績。
最後團隊提出，未來這項技術還有更多值得探索的地方：
更強大的驗證器，提高其穩健性和泛化能力至關重要。
最終目标是實現自我驗證，目前在實踐中仍然難以實現，需要更細緻的策略。
在生成過程中加入明确的中間步驟或 " 想法 " ，通過将結構化推理整合到搜索過程中，可以在複雜任務中獲得更好的性能。
搜索方法可以用于合成數據，創建高質量的訓練數據集
開放的流程獎勵模型目前數量較少，是開源社區可以做出重大貢獻的領域
目前的方法在數學和代碼等領域表現出色，這些問題本質上是可驗證的，如何将這些技術擴展到結構性較差或評判标準主觀的任務，仍是一個重大挑戰。
評論區有網友表示，這種方法更适合本地部署，而不是 API 調用，因爲調用 256 次 3B 模型和過程獎勵模型，通常會比調用一次 70B 模型更貴。
也有人建議在 Qwen 系列模型上嘗試，以及指路天工 Skywork 發布了兩個基于 Qwen 的 PRM 模型
開源代碼：
https://github.com/huggingface/search-and-learn
參考鏈接：
[ 1 ] https://huggingface.co/spaces/HuggingFaceH4/blogpost-scaling-test-time-compute
[ 2 ] https://x.com/_lewtun/status/1868703456602865880
— 完 —
點這裏關注我，記得标星哦～
一鍵三連「分享」、「點贊」和「在看」
科技前沿進展日日相見 ~
>
