英伟达科学家 Jim Fan、图灵奖得主 Yann LeCun 等参与讨论 OpenAI 的 Q* 实现方式
Meta 科学家田渊栋则认为 Q* 是 Q-learning 和 A* 的结合，且天然地适合推理任务，尤其在数学推理方面
不过迄今为止 OpenAI 没有公开关于 Q* 算法的具体细节，其效果究竟如何我们并不得而知。
昆仑万维自 Q* 项目曝光以来，一直密切关注 Q* 的动向，且在第一时间就成立研究小组尝试开发自己的 Q* 算法，希望打破 OpenAI 的封锁，提升现有开源模型的推理能力。
经过数月的尝试，昆仑万维携手新加坡南洋理工大学成功开发了一个名为 Q* 的算法，能够显著提升现有大模型的推理能力。在 GSM8K 数据集上，Q* 帮助 Llama-2-7b 提升至 80.8% 的准确率，超越了 ChatGPT；在 MATH 数据集上，Q* 帮助 DeepSeek-Math-7b 提升至 55.4% 的准确率，超越了 Gemini Ultra；在 MBPP 数据集上，Q* 帮助 CodeQwen1.5-7b-Chat 提升至 77.0% 的准确率，缩小了与 GPT-4 的编程水平差距。
论文：Q*: Improving Multi-step Reasoning for LLMs with Deliberative Planning
论文链接：https://arxiv.org/abs/2406.14283
Q* 能够帮助小模型达到参数量比其大数十倍、甚至上百倍模型的推理能力，这一算法不仅大幅提升了小模型的性能，还显著降低了计算资源的需求，为人工智能的广泛应用带来了全新可能，开创了高效智能的新纪元。
复杂推理任务全盘规划
在《Q*: Improving Multi-step Reasoning for LLMs with Deliberative Planning》论文中，研究人员首先将大语言模型的推理轨迹分解为若干个状态，对于每一个状态，参考 DeepCubeA 中的设计，通过将定义 Path Cost 的 g (s_t) 函数和定义 Accumulated Reward 的 Q*(s_t, a_t) 集成到同一个 f (s_t) 函数内，实现了对历史状态收益和未来期望收益的综合考虑。最后利用 A* 搜索算法对状态进行最佳优先搜索，实现了对复杂推理任务的全盘规划，从而提升开源模型在推理任务上的性能。
其中 g (s_t) 表示当前轨迹中的多个历史状态，既 {s1,...,s_t}，的聚合收益。
具体 g (s_t) 的函数形式可以通过人为定义，例如判断当前代码是否符合语法规则等，或者通过构建 Process Reward Model (PRM) 进行监督学习得到；g (s_t) 中的聚合方式可以为求和，最大值，最小值等。
为了获得状态 - 动作对 (s_t, a_t) 的最优 Q 值以实现规划，研究人员在当前 LLM 策略生成的数据上通过监督学习的方式训练了一个代理 Q 值模型图片。训练过程中的真实标签图片可以由三种不同的方式得到，包括离线强化学习，蒙塔卡罗采样估计和利用更强大的语言模型补全。
实验结果表明，昆仑万维本次所提出的 Q* 框架，可以显著地提升 LLM 的推理能力，在 GSM8K 数据集上，Q* 帮助 Llama-2-7b 提升至 80.8% 的准确率，超越了 ChatGPT；在 MATH 数据集上，Q* 帮助 DeepSeek-Math-7b 提升至 55.4% 的准确率，超越了 Gemini Ultra; 在 MBPP 数据集上，Q* 帮助 CodeQwen1.5-7b-Chat 提升至 77.0% 的准确率，缩小了与 GPT-4 的编程水平差距。
研究证明，Q* 能够帮助参数量仅为 7b 的小模型达到参数量比其大数十倍甚至百倍模型的推理能力，大幅提升模型的性能，并显著降低了计算资源的需求。目前，Q* 的研究尚在初级阶段，算法在各个环节还有进一步的改进空间。未来，昆仑万维会继续深入此项研究，不断提升国产开源模型推理能力，打破 OpenAI 闭源封锁，为人工智能前沿技术发展带来全新可能。
