o1模型发布后，有人花50美元重现了可能价值百万美元的实验结果。
OpenAI最近发布了o1模型家族，并公布了一张展示测试时计算量缩放规律的图表。这张图表引发了研究人员的极大兴趣，因为它揭示了模型性能如何随测试时计算量的增加而提升。
然而，不知是有意还是刻意还是无意，OpenAI并没有标注x轴！
这留下了一个巨大的悬念。
就像给了大家一张藏宝图，却不告诉你起点在哪里。
50美元的复刻之旅
此时，主打一个不服 Hugh Zhang 跳了出来，他决定接受这个挑战！
并且他最终只用了公开的o1-mini API，就尝试重现出了这个图表。
左边是OpenAI的原图，右边是Hugh的复刻版。
算得上惊人的相似，对吧？
但是，怎么做到的呢？这就要说到token控制的艺术了。
token控制：让AI"按量思考"
Hugh发现，o1-mini API并不允许直接控制测试时使用的token数量。但他想出了一个巧妙的方法：告诉模型你希望它思考多长时间。
这张图展示了请求的token数量与实际使用的token数量之间的关系。有趣的是，在2^4到2^11的范围内，模型似乎能较好地"听话"。
而其他的请求token 数量下，o1 就不搭理他了。
但是，Hugh还发现了一个有趣的现象：
在这个范围内，o1-mini实际使用的token数量总是比请求的多约8倍！这就像你点了一份饭，餐厅总是给你上8份。
可能是新融资让OpenAI 太有钱了吧！
突破限制：自一致性方法来救场
但是，仅靠这种方法，Hugh最多只能让模型使用到2^14（约16K）个token。为了进一步扩展，他借鉴了自一致性论文中的方法：多次采样，然后进行多数投票。
这个方法确实带来了一些初步的收益，但很快就遇到了瓶颈。
廉价重现昂贵实验
在这个过程中，Hugh发现了一件令人兴奋的事：重现这个图表的成本出奇地低。
对于最大规模的推理运行，每个问题使用2^17个token，乘以30个2024年AIME问题，总共约400万个token。按照每100万输出token 12美元的价格，最大规模的运行只花费了约50美元！
就这样，原本可能需要耗费数百万美元的实验，现在只需要50美元就能重现关键结果。
实验的局限
然而，Hugh的实验也揭示了一些局限性：
如图所示，自一致性方法似乎在达到约70%的准确率后就停止了增长，这与OpenAI原图的结果非常接近。
这个结果与过去的研究一致，表明多数投票法在某个点会达到饱和。这意味着，如果我们想要进一步提升模型性能，可能需要探索其他方法。
Hugh推测，强制模型在token空间中思考更长时间可能比重复采样和多数投票更有效。
考虑到重现实验的低成本，这可能是一个值得进一步探索的方向。
