本期内容是「全球大模型季报」的第四集,拾象科技 CEO 李广密和商业作者张小珺围绕 AGI 发展路径展开了猜想,self-play RL 是新的 scaling law。
这期讨论录制于 2 周前,随着昨天凌晨 OpenAI o1 模型的发布,我们的猜想得到验证,LLM 正式进入 self-play RL 范式时代。
OpenAI 不是唯一重视 RL 和 Self-Play 的公司,在 o1 之前,Anthropic Claude 3.5 Sonnet 就被视为一个标志性里程碑,Claude 3.5 Sonnet 代码能力显著提升的背后其实是 RL 在起作用;Google 也已经围绕 LLM 做 reward model 展开了多个项目的研究;前 OpenAI 的核心人物 Ilya 创立的新项目 SSI 也和 RL 相关。o1 的发布势必会加速新范式共识的形成,将 RL 从头部 AI Labs 的尝试向全行业扩散。
o1 只是 AGI 下半场的开始,接下来 Anthropic Claude 3.5 系列新模型的发布也同样值得期待,Claude 3.5 和 o1 的表现会是 RL 进程是否顺利的风向标。
作为关注 AI 最前沿的团队,我们围绕 self-play RL 也已经发布了多篇研究。本次讨论是我们给行业关于 self-play RL 的一篇高质量科普。关于 RL 和合成数据会如何帮助模型升级?基于 LLM 的 RL 和 self play 和以前的 RL 有什么不同?模型的 Reasoning 能力提升后会带来什么新机会?等等关键问题都可以找到最全面的答案。
未经允许不得转载:北美都市脈搏 » LLM 新范式:OpenAI o1,self-play RL 和 AGI 下半场