自 OpenAI 的 Q* 項目曝光后，引發業內眾多討論。據現有信息匯總，Q* 項目被視作 OpenAI 在探索人工通用智能（Artificial General Intelligence, AGI）道路上的一次重大嘗試，有望在包括數學問題解決能力、自主學習和自我改進等多個層面對人工智能技術帶來革新性突破。

英偉達科學家 Jim Fan、圖靈獎得主 Yann LeCun 等參與討論 OpenAI 的 Q* 實現方式

Meta 科學家田淵棟則認為 Q* 是 Q-learning 和 A* 的結合，且天然地適合推理任務，尤其在數學推理方面

不過迄今為止 OpenAI 沒有公開關于 Q* 算法的具體細節，其效果究竟如何我們并不得而知。

昆侖萬維自 Q* 項目曝光以來，一直密切關注 Q* 的動向，且在第一時間就成立研究小組嘗試開發自己的 Q* 算法，希望打破 OpenAI 的封鎖，提升現有開源模型的推理能力。

經過數月的嘗試，昆侖萬維攜手新加坡南洋理工大學成功開發了一個名為 Q* 的算法，能夠顯著提升現有大模型的推理能力。在 GSM8K 數據集上，Q* 幫助 Llama-2-7b 提升至 80.8% 的準確率，超越了 ChatGPT；在 MATH 數據集上，Q* 幫助 DeepSeek-Math-7b 提升至 55.4% 的準確率，超越了 Gemini Ultra；在 MBPP 數據集上，Q* 幫助 CodeQwen1.5-7b-Chat 提升至 77.0% 的準確率，縮小了與 GPT-4 的編程水平差距。

論文：Q*: Improving Multi-step Reasoning for LLMs with Deliberative Planning

論文鏈接：https://arxiv.org/abs/2406.14283

Q* 能夠幫助小模型達到參數量比其大數十倍、甚至上百倍模型的推理能力，這一算法不僅大幅提升了小模型的性能，還顯著降低了計算資源的需求，為人工智能的廣泛應用帶來了全新可能，開創了高效智能的新紀元。

復雜推理任務全盤規劃

在《Q*: Improving Multi-step Reasoning for LLMs with Deliberative Planning》論文中，研究人員首先將大語言模型的推理軌跡分解為若干個狀態，對于每一個狀態，參考 DeepCubeA 中的設計，通過將定義 Path Cost 的 g (s_t) 函數和定義 Accumulated Reward 的 Q*(s_t, a_t) 集成到同一個 f (s_t) 函數內，實現了對歷史狀態收益和未來期望收益的綜合考慮。最后利用 A* 搜索算法對狀態進行最佳優先搜索，實現了對復雜推理任務的全盤規劃，從而提升開源模型在推理任務上的性能。

其中 g (s_t) 表示當前軌跡中的多個歷史狀態，既 {s1,...,s_t}，的聚合收益。

具體 g (s_t) 的函數形式可以通過人為定義，例如判斷當前代碼是否符合語法規則等，或者通過構建 Process Reward Model (PRM) 進行監督學習得到；g (s_t) 中的聚合方式可以為求和，最大值，最小值等。

為了獲得狀態 - 動作對 (s_t, a_t) 的最優 Q 值以實現規劃，研究人員在當前 LLM 策略生成的數據上通過監督學習的方式訓練了一個代理 Q 值模型圖片。訓練過程中的真實標簽圖片可以由三種不同的方式得到，包括離線強化學習，蒙塔卡羅采樣估計和利用更強大的語言模型補全。

實驗結果表明，昆侖萬維本次所提出的 Q* 框架，可以顯著地提升 LLM 的推理能力，在 GSM8K 數據集上，Q* 幫助 Llama-2-7b 提升至 80.8% 的準確率，超越了 ChatGPT；在 MATH 數據集上，Q* 幫助 DeepSeek-Math-7b 提升至 55.4% 的準確率，超越了 Gemini Ultra; 在 MBPP 數據集上，Q* 幫助 CodeQwen1.5-7b-Chat 提升至 77.0% 的準確率，縮小了與 GPT-4 的編程水平差距。

研究證明，Q* 能夠幫助參數量僅為 7b 的小模型達到參數量比其大數十倍甚至百倍模型的推理能力，大幅提升模型的性能，并顯著降低了計算資源的需求。目前，Q* 的研究尚在初級階段，算法在各個環節還有進一步的改進空間。未來，昆侖萬維會繼續深入此項研究，不斷提升國產開源模型推理能力，打破 OpenAI 閉源封鎖，為人工智能前沿技術發展帶來全新可能。