首個o1複現開源RL框架OpenR來了，UCL、上交等高校聯合團隊發佈

AIxiv專欄是機器之心發佈學術、技術內容的欄目。過去數年，機器之心AIxiv專欄接收報導了2000多篇內容，覆蓋全球各大高校與企業的頂級實驗室，有效促進了學術交流與傳播。如果您有優秀的工作想要分享，歡迎投稿或者聯繫報導。投稿郵箱：liyazhou@jiqizhixin.com；zhaoyunfeng@jiqizhixin.com

OpenR 研究團隊成員包括：汪軍教授，倫敦大學學院（UCL）計算機系教授，阿倫・圖靈研究所 Turing Fellow，其指導的 UCL 一年級博士生桑治研。利物浦大學助理教授方蒙。上海交通大學 Apex 和多智能體實驗室張偉楠教授（上海交通大學計算機系教授、博士生導師、副系主任），溫穎副教授（上海交通大學約翰・霍普克羅夫特計算機科學中心副教授）以及其指導的博士生萬梓煜、溫睦寧、朱家琛。張偉楠教授和溫穎副教授博士期間就讀於 UCL，指導教師為汪軍教授。香港科技大學（廣州）創校校長，倪明選（Lionel M. Ni），香港工程科學院院士，香港科技大學（廣州）講席教授。陳雷，香港科技大學（廣州）信息樞紐院長，講席教授。香港科技大學（廣州）一年級博士生劉安傑、龔子欽受汪軍教授和楊林易博士聯合執導，以及西湖大學工學院助理教授（研究）楊林易。

o1 作為 OpenAI 在推理領域的最新模型，大幅度提升了 GPT-4o 在推理任務上的表現，甚至超過了平均人類水平。o1 背後的技術到底是什麼？OpenAI 技術報告中所強調的強化學習和推斷階段的 Scaling Law 如何實現？

為了嘗試回答這些問題，倫敦大學學院（UCL）、上海交通大學、利物浦大學、香港科技大學（廣州）、西湖大學聯合開源了首個類 o1 全鏈條訓練框架「OpenR」，一個開源代碼庫，幫助用戶快速實現構建自己的複雜推斷模型 。整個項目由 UCL 汪軍教授發起和指導，實驗主要由上海交大團隊完成。

我們介紹了 OpenR，首個集過程獎勵模型（PRM）訓練、強化學習、多種搜索框架為一身的類 o1 開源框架，旨在增強大型語言模型（LLM）的複雜推理能力。

• 論文鏈接：https://github.com/openreasoner/openr/blob/main/reports/OpenR-Wang.pdf

• 代碼鏈接：https://github.com/openreasoner/openr

• 教程鏈接：https://openreasoner.github.io/

OpenR 將數據獲取、強化學習訓練（包括在線和離線訓練）以及非自回歸解碼集成到一個統一的平台中。受到 OpenAI 的 o1 模型成功的啟發， OpenR 採用了一種基於模型的方法，超越了傳統的自回歸方法。我們通過在 MATH 數據集上的評估來展示 OpenR 的有效性，利用公開的數據和搜索方法。初步實驗表明，相對改進達到了顯著提升。我們開源了 OpenR 框架，包括代碼、模型和數據集，我們旨在推動推理領域開源社區的發展，歡迎感興趣的從業人員加入到我們的開源社區。代碼、文檔、教程可通過 https://openreasoner.github.io 訪問。

圖 1: 系統設計圖

系統設計。過程獎勵模型 (PRM) 在兩個關鍵方面增強了 LLM 的策略。首先，在訓練期間，PRM 通過策略優化技術（如上圖所示的策略迭代）改進 LLM 策略。其次，在解碼階段，PRM 引導 LLM 的搜索過程，使推理朝著更有效的結果發展（如上圖所示）。接下來我們將展示，LLM 策略還可以幫助識別缺失的中間推理步驟，這反過來又可以進一步訓練和改進 PRM。正如上圖所示，這種迭代的互動使 LLM 和 PRM 能夠持續地釋放各自的潛力以改進推理。

圖 2 代碼結構圖

數據增強.在使用 LLM 進行推理時，我們不僅僅依賴最終答案的反饋，而是使用更詳細的反饋方式，逐步收集和標註數據。這樣可以在問題解決的過程中，識別出具體的錯誤位置並給出反饋，從而幫助模型更好地學習和改進。

MATH-APS.我們通過自動生成合成樣本來增強數據。與依賴昂貴且難以擴展的人工標註的 PRM800k 數據集不同，我們引入了一個新數據集 MATH-APS。這個數據集基於 MATH 數據集，並使用 OmegaPRM 等自動化方法來生成樣本，從而減少了對人工標註的依賴，更易於大規模收集數據。自動化方法如 OmegaPRM、Math-Shepherd 和 MiPS 可以高效地收集高質量的過程監督數據。雖然 Math-Shepherd 和 MiPS 提供了過程監督的自動化標註，但它們需要大量的策略調用，計算成本較高。OmegaPRM 改進了這個過程，通過迭代地劃分解決方案、回溯分析並找出模型推理中的第一個錯誤步驟來提高效率。

我們通過自動生成合成樣本來增強數據。與依賴昂貴且難以擴展的人工標註的 PRM800k 數據集不同，我們引入了一個新數據集 MATH-APS。這個數據集基於 MATH 數據集，並使用 OmegaPRM 等自動化方法來生成樣本，從而減少了對人工標註的依賴，更易於大規模收集數據。自動化方法如 OmegaPRM、Math-Shepherd 和 MiPS 可以高效地收集高質量的過程監督數據。雖然 Math-Shepherd 和 MiPS 提供了過程監督的自動化標註，但它們需要大量的策略調用，計算成本較高。OmegaPRM 改進了這個過程，通過迭代地劃分解決方案、回溯分析並找出模型推理中的第一個錯誤步驟來提高效率。

PRM 的監督訓練。在過程獎勵模型 (PRM) 中，主要目的是判斷解決方案的步驟是否在正確的軌道上。因此，PRM 會輸出一個 0 到 1 之間的分數，作為當前解決過程的正確性指標。具體來說，給定一個問題及其解決步驟序列，PRM 會為每一步計算出一個分數，這可以視為一個二元分類任務：是否正確。我們通過在大型語言模型 (LLM) 上的監督微調來訓練 PRM，將正確或錯誤的判定作為分類標籤，並進一步使用 LLM 來預測每一步的後續標記。

Math-psa PRM 通過在 LLM 上的監督微調來訓練，正確 / 錯誤的區分作為分類標籤。我們使用數據集如 PRM800K，Math-Shepherd 以及我們自己的 MATH-APS 數據集來訓練一個名為 Math-psa 的 PRM。這些數據集由三個部分組成：問題、過程 和 標籤。輸入由 問題 和 過程 的拚接組成。在 過程 中，解決方案被分為多個步驟，每個步驟用一個特殊的步驟標記分隔，以標記每個步驟結束的位置，PRM 可以在此處進行預測。標籤對整個過程進行分類，根據解決方案的正確性將每個步驟標記為 + 或 -。

在訓練過程中，模型會在每個步驟標記之後預測正或負標籤。輸入的拚接格式包含了 問題 和各個步驟之間的標記符。標籤僅分配在步驟標記符的位置，並在計算損失時忽略其他位置。這種方式確保模型訓練時主要關注輸入序列，而不會被步驟標記符干擾，從而更好地識別和分類正確性。

LLM 的策略學習。我們將數學問題轉換為一個語言增強的決策過程，用來逐步解決問題。這個過程叫做馬爾可夫決策過程 (MDP)，它由狀態、動作和獎勵組成。在這個框架中，每一個數學問題就是初始狀態，模型生成推理步驟作為動作，然後根據當前狀態和動作來決定下一個狀態。

模型每完成一個步驟，就會得到一個獎勵或反饋，用來評估該步驟是否正確。這個獎勵幫助模型判斷是否朝著正確方向前進。整個過程重覆進行，模型會不斷調整其推理路徑，目標是獲得儘可能多的正面反饋或獎勵。

我們將這種 MDP 實現為一個強化學習環境，類似 OpenAI 的 Gym 環境。在這裏，每個數學問題都被看作一個任務，模型通過一系列連續的推理步驟來解決這些問題。正確的步驟獲得獎勵，錯誤的步驟則受到懲罰。通過這種方式，模型可以在不斷試錯中優化其策略，從而逐漸提高其解決數學問題的能力。

在線強化學習訓練。在使用強化學習訓練大型語言模型 (LLM) 時，通常使用近端策略優化 (PPO) 來使生成的語言輸出與預期的動作對齊。PPO 可以幫助模型生成既符合語境又達到目標的響應，填補了語言理解和操作輸出之間的空隙。我們提供了傳統的 PPO 和一種更高效的變體，即群體相對策略優化 (GRPO)。這兩者主要在優勢值的計算方法上不同：PPO 使用一個網絡來估算狀態值，並通過廣義優勢估算 (GAE) 技術來計算優勢值；而 GRPO 則簡化了這個過程，直接使用標準化的獎勵信號來估算動作的優勢，從而減少了訓練資源的消耗，同時更加註重獎勵模型的穩定性。

解碼：推理時的引導搜索和規劃

我們使用 PRM 來評估每個解決步驟的準確性。一旦訓練出高質量的過程獎勵模型，我們就可以將其與語言模型結合到解碼過程中，從而實現引導搜索和多次生成的評分或投票。

為了將 PRM 用作驗證器，我們定義了評估 LLM 生成的解決方案正確性的方法，將每一步的得分轉換為最終分數。主要有兩種方法：

• PRM-Min：選擇所有步驟中得分最低的作為最終分數。

• PRM-Last：選擇最後一步的得分作為最終分數。這種方法已經被證明效果與 PRM-Min 相當。

當通過擴大推理時計算生成多個答案後，我們需要基於分數選擇最佳答案。我們採用了三種策略：

1. 多數投票：通過統計出現最多的答案作為最終答案。

2. RM-Max：根據結果獎勵模型，選擇最終獎勵最高的答案。

3. RM-Vote：根據結果獎勵模型，選擇獎勵總和最高的答案。

通過結合這些策略，可以形成多種加權方法，例如 PRM-Last-Max，即使用 PRM-Last 和 RM-Max 組合進行選擇。我們的框架允許我們在多種搜索算法中進行選擇，例如 Beam Search、Best-of-N, 蒙地卡羅樹搜索等。每種算法在 PRM 的質量上有其獨特的優勢。複雜的搜索算法在處理更難的任務時可能表現更好，而簡單的方法如最佳 N 則常能在難度較低的情況下表現良好。

解碼階段的 Scaling Law

我們觀察到了和 OpenAI o1 以及 Deepmind 論文《Scaling LLM Test-Time Compute Optimally can be More Effective than Scaling Model Parameters》趨勢相近的 Test-time Scaling Law，參見：

圖 3 (a) 比較了這些搜索和投票方法在推理過程中的性能。y 軸表示 MATH500 數據集上的測試準確率，而 x 軸顯示生成預算（每個問題的平均標記數），反映了每個問題的計算消耗或標記使用情況。該圖表明，隨著生成預算的增加，最佳 N 選擇和束搜索方法的性能顯著優於多數投票，與之前的發現表現出相似的模式。在低推理時計算預算下，最佳 N 選擇方法表現優於束搜索，而束搜索在較高預算下可以達到相同的性能。另一方面，圖 (b) 顯示我們的 PRM (Math-aps) 能在所有測試的計算預算下達到最高的測試準確率。這確實驗證了我們的 PRM 訓練能夠有效地學習過程監督。

詳細的文檔結束。OpenR 支持使用幾行代碼即可實現 PRM 的訓練、強化學習訓練，以及不同的解碼方法，使用戶能夠方便地進行實驗和測試。我們還提供了詳細的代碼文檔供大家參考，參見: https://openreasoner.github.io/ 。我們所支持的算法如下圖所示：