发布时间：2024 年 09 月 20 日
LLMs Still Can't Plan; Can LRMs? A Preliminary Evaluation of OpenAI's o1 on PlanBench
规划能力一直被视为智能代理的核心，自人工智能诞生之初便是研究重点。随着大型语言模型（LLM）的兴起，其规划能力备受关注。2022 年，我们推出了 PlanBench 基准，成为评估 LLM 规划能力的关键工具。尽管 GPT3 后涌现了众多 LLM，但在此基准上的进展却出奇缓慢。OpenAI 的 o1（Strawberry）模型旨在突破自回归 LLM 的局限，成为新型的大型推理模型（LRM）。本文以此为契机，全面审视了当前 LLM 及新 LRM 在 PlanBench 上的表现。虽然 o1 在基准测试中表现卓越，但仍未达饱和。这一进步也引发了关于准确性、效率和保障的讨论，这些都是在部署此类系统前必须深思的问题。
如遇无法添加，请+ vx: iamxxn886
添加时，请注明LLM
最近OpenAI推出了新的o1模型，与之前类似检索器的大语言模型（LLM）不同，o1被称为推理器模型。o1模型可能是类似于 AlphaGo 的强化学习训练系统，只不过所生成和评估的“动作”是思维链。
依据 OpenAI 发布该模型的博客：o1模型与过去的大语言模型有所区别，是一个新系列的大型推理模型，代表了人工智能能力的新水平。所以，OpenAI将模型的计数器重置为1，命名为OpenAI o1模型。
在o1-preview 和 o1-mini 发布了一周后，作者在 PlanBench 测试数据集上进行了性能测试。
PlanBench 是一套专门用于评估LLM规划能力的工具套件。
那么，o1系列模型在规划能力上到底表现如何？
- 传统 LLM 在PlanBench上表现如何？
对于传统大型语言模型（通过 RLHF 进行微调的大规模 Transformer 模型），他们在 PlanBench 上的表现都差强人意，这表明依靠近似检索通常无法稳妥地解决规划问题。
上表展示了前一代的LLM在Blocksworld和Mystery Blocksworld数据集上的表现。
在 Blocksworld 静态数据集上，表现最好的模型是 LLaMA 3.1 405B，准确率达到了62.6%。
但是在Mystery Blocksworld数据集上（该数据集为600个语义相同但句法混淆的测试数据），没有任何一个模型能达到5%的准确率。
- o1系列模型表现如何？
传统LLM是通过类似【检索】的方式生成结果的，尽管在【System 1】类任务重表现出色，但是在更加偏向于【System 2】的任务上，比如：规划任务，表现一般。
据论文作者所知，o1模型是一个底层 LLM（很可能是经过修改的 GPT-4o）整合进了一个经过强化学习训练的系统，该系统引导着私有思维链推理轨迹的创建、管理与最终选择。目前大家能了解到的细节仍然不多，所以只能对其确切机制进行推测。
本篇论文作者猜测 o1 与 LLM 主要有两点不同：
- • 1、增加了一个强化学习的预训练阶段（可能是为了从海量合成数据中学习不同思维链的q值）
- • 2、引入了一种新的自适应推理过程（或许在选择特定的思维链之前，它会通过类似于展开的方式进一步提炼已学习的q值）。
2.1 在静态测试数据集上评估o1
在静态的 PlanBench 测试集上对 o1-preview 和 o1-mini 进行了测试 。
- • 在 Blocksworld 测试数据集中，o1-preview 的表现远超任何 LLM，正确回答了这些实例中的 97.8％。
- • 在 Mystery Blocksworld 中，o1-preview 未能保持这样的高性能，但仍远超以往所有模型，正确回答了 52.8％。
- • 在随机 Mystery Blocksworld 中，尽管准确率有所下降，仍有37.3%的问题得到了正确解答，这与之前模型测试时的零通过率形成了鲜明对比。
随机 Mystery Blocksworld是为验证数据污染是否破坏了效果，采用彻底随机的字符串创建了新的混淆，并以语义对等且明确无误的PDDL格式重新定义了问题域和具体问题的描述。
2.2 随着问题规模增加，o1表现如何？
标准的 LLM 思维链提示方法较为脆弱，无法随着问题规模稳定扩展，也难以诱导通用的算法程序遵循 。
在一组 110 个更大的 Blocksworld 问题上对模型进行了测试。这组问题的长度范围在 6 到 20 个块之间，并且需要 20 到 40 步的最优计划。
没有任何混淆的情况下，性能从之前报告的 97.8％迅速滑落。实际上，在这 110 个实例中，o1-preview 仅能处理 23.63％，并且大部分的准确性来自于正确解决需要少于 28 步的问题。虽然这些模型总体令人赞叹，但这表明它们的性能远非稳健。
2.3 在无解问题上的性能
在真实场景中的一个例子是网络漏洞分析，希望证明对于特定系统不存在攻击计划 。LLM 一直难以认识到某些问题无法解决，而是自信地编造无意义的答案。
o1 宣称已经开始克服这个问题，并且现在能够准确地识别不可解的问题 。
为了系统地测试这一点，通过向原始的 3 到 5 个块测试集中的每个实例的目标状态添加一个“on(x,y)”类型的合取，使目标无法达成，从而修改了 100 个实例 。
- • 在 Blocksworld 上：
- • 只有 27％的所有实例被 o1 正确且明确地识别为不可解。
- • 在所有情况的 19％中，模型返回一个点或某种“[空计划]”标记，没有任何关于不可解性的解释或指示。
这些应该被认为是不正确的，因为“空计划”只有在目标已经达成时才是正确的答案。
- • 在其余 54％的情况下，模型生成了完整的（因此不可能且不正确！
）计划。
- • 在随机 Mystery Blocksworld 上，这些数字更糟：
- • 16％的情况被正确识别为不可解，5％返回空计划，其余 79％用完整的（不可能或不满足目标的）计划作答。
因此，不可解的实例仍然是 LRM 的难题。此外，有时能够正确注意到不可能的计划是有代价的：现在模型有时会错误地声称可解的问题实际上是不可解的。
2.4 成本收益的权衡
尽管o1-preview可能比LLMs提供更高的精准度，但它任然不能100%确保规划的正确性，其成本效益也尚不明确。
不同于以往模型仅基于输入和输出令牌数量计费，o1的每次调用费用还包括基于其使用的“推理令牌”数量的附加费——这些作为推理过程一部分生成的令牌并不向用户展示，并且以更高的输出令牌费率计费。
目前，用户无法控制生成的推理令牌数量。自这些模型推出不到一周，论文作者在这项基准测试的o1模型实验上已经累积了1897.55美元的费用！
像Fast Downward这样的经典规划器在数据集上实现了100%的准确率，仅用了一小部分的时间、计算和成本。
在个人计算机上运行Fast Downward基本上是免费的，平均每次实例0.265秒，比平均o1时钟时间快了几个数量级。结果也是可预测的，并且可以直接扩展到更难的实例。
普通的LLMs通常非常擅长在格式之间转换问题，并且可以与经典规划器一起使用，成本仅为LRMs的一小部分。
对于没有简单的PDDL领域和实例规范的问题，LLM-Modulo系统可能是一个更安全、更便宜的方法：在循环中运行一个更小、更快的LLM与一个可靠的验证器一起，以便组合系统只输出保证正确的解决方案。
这种LLM-Modulo方法已经可以在原始Blocksworld测试集的一个子集上实现82%的准确率，以及在物流领域实现70%的准确率。
这些后两种方法提供的准确性保证在像o1这样的LRMs中严重缺乏。如果一个通用推理系统继续自信地制定错误的计划，那么它就不能被部署在安全关键和非遍历领域。
o1是一个完全的黑匣子系统，甚至比以前的模型更是如此，OpenAI决定不仅要保密架构和隐藏推理痕迹，而且要警告甚至禁止任何试图理解它们内部情况的人，这使得可解释性几乎是不可能的，并且降低了对系统整体的信任。
- • 论文原文: https://arxiv.org/abs/2409.13373
- • 获取更多最新 Arxiv 论文更新: https://github.com/HuggingAGI/HuggingArxiv!
- • 加入社群，+v: iamxxn886
- • 点击公众号菜单加入讨论