知乎：姜富春
地址：https://zhuanlan.zhihu.com/p/15540962086
编辑：「深度学习自然语言处理 公众号」，已授权
1.什么是PRM？
随着OpenAI O1、O3陆续推出，包括国内的一些大模型公司也相继推出K1(moonshot)，R1(deepseek), .....，让我们看到了大模型能力渐渐从一个只会"舞文弄墨的文科生"渐渐演变成了"逻辑缜密的理科生"。大家对O1的新的研发范式的各种猜想也层出不穷。也涌现出越来越多「新名词」：self-play， test-time scaling law，PRM，MCTS，RFT，......。
前面提到O1是一种新的研发范式，那为什么说是新的研发范式？从O1的技术报告(https://openai.com/index/learning-to-reason-with-llms/)和OpenAI发表的一些工作有迹可循：
从名字上，O1的全名是OpenAI O1， 请注意，并不是GPT-O1。从OpenAI的模型版本控制上可以看出，这是个全新的版本，并不是沿着GPT-3.5、GPT-4版本演进的。 输出相比之前模型有较大变化，输出是个long thought模式，从GPT-4快思考模式（首token 毫秒级别）到O1的慢思考模式（几秒后输出）。OpenAI提供第一个例子（参照给定一个解码示例，对提供的字符串解码：https://openai.com/index/learning-to-reason-with-llms/），如图1所示可以看到，模型先做了一个很长的thought（模型用了5秒钟思考，人阅读一遍5分钟，很长...）然后根据thought的推理过程回答问题，并给出正确的答案和解题过程，这与GPT-4 的推理过程完全不一样。 Open AI 也称做GPT-4 和 O1 是两种计算模式：train-time compute ， test-time compute
上文交代了这么多，我也看了很多大佬对O1的技术复现的猜想，但本文并不会讲述O1的复现逻辑（个人水平确实有限）。只针对大家在复现猜想中频繁提到的PRM做些解读。大家如果对O1感兴趣可以参考文末整理的附录材料继续阅读。
回到PRM，什么是PRM？在上一篇文章中也已经介绍过（参考姜富春：OpenRLHF源码解读：理解Reward Model训练过程：https://zhuanlan.zhihu.com/p/14993645091）。这里我们再简单总结下：
PRM（Process-supervised Reward Model）是OpenAI在Let’s Verify Step by Step(https://arxiv.org/pdf/2305.20050)一文中，首次提出的概念。与之相对应的是ORM（Outcome-supervised Reward Model）。PRM和ORM都是奖励模型，两者区别：
PRM：过程奖励模型，是在生成过程中，分步骤，对每一步进行打分，是更细粒度的奖励模型。 ORM：结果奖励模型，是不管推理有多少步，对完整的生成结果进行一次打分，是一个反馈更稀疏的奖励模型。
为了更好的理解PRM，我们先了解下PRM在O1的研发范式下的作用（当然这里说的也都是一些可循的猜想或复现，毕竟没人公开O1的具体实现）。
2.PRM有什么用？
假设我们当前已经有了一个训练好的PRM，那么我们怎么能让模型有long thought能力，进而能有更好的推理能力呢？
首先我们从O1提供的例子能看出，Thought的过程是一个明显有步骤的推理过程。这个步骤包括：
任务规划step：频繁出现"First"、"Second"等 提出假设step：“Alternatively”等 结果反思step：“Hmm”、"wait"等 ......
这些step，也可以被看作是动作空间中的不同的动作（action），PRM的作用可以对这些动作打分，引导模型生成到获得收益最大的路径（也就是正确的解题步骤和正确的答案）。
对于这种多步骤的过程，参考Let’s Verify Step by Step中提供的思路看下PRM的作用：
首先，为了让模型有按步输出的能力，我们先通过一个按步骤回答的指令集，训练一个generator模型，模型不保证步骤一定是正确的，但能遵循指令按step1, step2,...格式输出。 然后，可以对上面的模型做N次采样（如best-of-N , Beam Search， lookahead Search方法等），并通过PRM对每个采样的每步推理做打分 最终，通过对每个步骤的打分拟合一个整体过程的打分，并按该整体打分选取打分最高的结果作为最终的答案。
如图2所示：
上文的思路是一种倾向优化inference阶段，提升答案质量的方式。也就是说在这种方式下，倾向于不在training阶段做更多优化，而是在infer阶段做更多采样，然后通过PRM做为Verifier筛选答案。当然有了PRM还可以做拒绝采样、做RL，继续通过Post-Training 优化generator模型效果，这个过程就类似于ORM在Post-Training阶段的作用，只不过PRM是对过程做监督，来优化目标。
我们上面假设是已经有个训好的PRM，那么如何通过数据驱动，训练一个PRM呢？这里面最关键的是样本的收集过程，我们进一步看看OpenAI怎么做。
3.PRM样本工程
在Let’s Verify Step by Step一文中，OpenAI详细描述了他们收集样本的方法，所有的样本都做了人工标注。最终他们共搜集1.2万个问题，7.5万答题过程（每个问题的回答包括多步），共80万带标记label的解题步骤。OpenAI也详细描述了他们做数据标注的过程。
OpenAI也公开发布了这部分数据集，详见github：PRM800K(https://github.com/openai/prm800k/tree/main)
数据标注过程在paper中，描述共分为两阶段：
阶段1：冷启阶段。当前就只有一个按step格式输出的generator模型，作者提出的标注方法是：通过generator采集初版标注样本，对每个步骤采集多种表述给标注人员做标注（详见下面阶段1样本标注Demo）；同时对一条标注数据，如果最终没有给出任何正确的执行步骤，标注人员需要做人工的编辑，产出正确的是step样本。这个过程因为标注人员要对一个条数的的单个步骤标注不同的表述，所以这个阶段是人效比较低的，但通过标注大量的多表述样本，样本的多样性得到了较好的保证，能让奖励模型的多样的、流畅的step by step结果做更好的判别；另外这个标注过程并没有提供给标注人员"书面解题步骤"，我理解目的也是提升标注人员的标注多样性和提升标注水平。由于这个过程人效较低，共标注了大概5%的样本规模。 阶段2：通过主动学习(active learning)标注难样本，提升模型对边界样本的学习能力。通过主动学习的方式迭代模型是机器学习中常用高效调优方法。文中作者通过拿当前学习到的最好的PRM，然后对采集的样本进行打分。挑选打分高且最终推理错误的样本做为下一轮标注的样本，作者共做了10轮迭代。这一阶段作者提供了更多的标注信息作为参考，包括"书面的解题步骤"，PRM打分的结果等，同时降低了标注的复杂度，要求标注人员标注到第一个错误步骤就终止标注。通过这个阶段有效的提升了样本的标注效率和难样本的质量。
在数据集中，能找到两阶段标注任务的详细的需求文档，详见：instructions_phase_1.pdf(https://github.com/openai/prm800k/blob/main/prm800k/instructions/instructions_phase_1.pdf)，instructions_phase_2.pdf(https://github.com/openai/prm800k/blob/main/prm800k/instructions/instructions_phase_2.pdf)。
从PRM800K数据集中采样了两条阶段1和阶段2的数据Demo，如下：
阶段1样本Demo：
只提供问题+答案， 每一步采样多个表述做标注
{
"question": {
"problem": "How many seconds are in 7.8 minutes?",
"ground_truth_answer": "468"
},
"label": {
"steps": [
Object{...},
Object{...},
Object{...},
Object{...},
{
//对每一步采样了多种表述，做标注
"completions": [
{
"text": "Right. Let's check our work. 7.8 minutes is the same as 7 minutes and 0.8 minutes.",
"rating": 0,
"flagged": false
},
{
"text": "Exactly.\n\n# Answer\n\n468",
"rating": 1,
"flagged": false
},
{
"text": "That's correct.\n\n# Answer\n\n468",
"rating": 1,
"flagged": false
},
{
"text": "Correct.\n\n# Answer\n\n468",
"rating": 1,
"flagged": false
},
{
"text": "That's correct.\n\n# Answer\n\n468",
"rating": 1,
"flagged": false
},
{
"text": "Correct.\n\n# Answer\n\n468",
"rating": 1,
"flagged": false
},
{
"text": "That's right!\n\n# Answer\n\n468",
"rating": 1,
"flagged": false
}
],
"human_completion": null,
"chosen_completion": 1
}
],
"total_time": 92405,
"finish_reason": "solution"
}
}
阶段2样本Demo：
提供问题和问题的正确解答过程（ground_truth_solution），同时将主动学习筛选出来的样本的完整步骤提供出来，在标注阶段，只标注到第一步出错的结果（"rating":-1）
{
"question": {
"problem": "For how many different digits $n$ is the three-digit number $14n$ divisible by $n$?\n\nNote: $14n$ refers to a three-digit number with the unit digit of $n,$ not the product of $14$ and $n.$",
"ground_truth_solution": "We have to account for each possible value of $n$ here. First of all, we can quickly find that for $n = 1, 2, 5,$ the resulting number $14n$ must be divisible by $n$, using their respective divisibility rules.\n\nWe see that for $n = 3$, we get $143.$ Since $1 + 4 + 3 = 8,$ which is not a multiple of $3,$ we can see that $n = 3$ does not work. Moreover, if $143$ is not divisible by $3$, then $146$ and $149$ are not divisible by $3$ or any multiple of $3$, so $n = 6$ and $n = 9$ do not work.\n\nFor $n = 4$, we can see that $144$ is divisible by $4$ because $44$ is divisible by $4,$ so $n = 4$ works.\n\nFor $n = 7$, we can easily perform division and see that $147$ is divisible by $7,$ so $n = 7$ works.\n\nFor $n = 8$, we have little choice but to find that $\\dfrac{148}{8} = \\dfrac{37}{2},$ and so $n = 8$ does not work.\n\nAll in all, we have that $n$ can be $1,$ $2,$ $4,$ $5,$ or $7,$ so we have $\\boxed{5}$ possible choices for $n$ such that $14n$ is divisible by $n.$",
"ground_truth_answer": "5",
"pre_generated_steps": [
"To find the digits $n$ that make $14n$ divisible by $n,$ I need to find the values of $n$ that satisfy the equation $14n = kn,$ where $k$ is some integer.",
"This equation can be simplified by dividing both sides by $n,$ as long as $n \\neq 0.$",
"I get $14 = k,$ so $k$ must be $14.$",
"This means that $14n$ is divisible by $n$ only when $14n = 14n,$ which is always true.",
"Therefore, any nonzero digit $n$ will make $14n$ divisible by $n.$",
"There are $9$ nonzero digits, so there are $9$ different digits $n$ that satisfy the problem.",
"# Answer\n\n9"
],
"pre_generated_answer": "9",
"pre_generated_verifier_score": 0.0025003258208338673
},
"label": {
"steps": [
{
"completions": [
{
"text": "To find the digits $n$ that make $14n$ divisible by $n,$ I need to find the values of $n$ that satisfy the equation $14n = kn,$ where $k$ is some integer.",
"rating": 0,
"flagged": null
}
],
"human_completion": null,
"chosen_completion": 0
},
{
"completions": [
{
"text": "This equation can be simplified by dividing both sides by $n,$ as long as $n \\neq 0.$",
"rating": -1,
"flagged": null
}
],
"human_completion": null,
"chosen_completion": null
}
],
"total_time": 46015,
"finish_reason": "found_error"
}
}
这一节我们详细讲解了OpenAI在Let’s Verify Step by Step一文中富集PRM样本的过程。其实针对不同业务，样本富集过程是最难的，也是优化效果最关键的。本文作者提供了一个两阶段并做了多轮的机造+ 人工标注的样本富集流程，有较大的参考价值。当然这里面还有个问题，在做数学解题的场景，答案往往是规范的且唯一的，我们很容易通过简单匹配方法校验生成结果是否是正确的，从而使我们能在主动学习阶段较轻量的筛选出"难负样本"。但针对一些更泛的业务场景：比如主观问答、文本创作。不能简单判断生成的结果和目标结果是否一致，这就需要根据业务，衍生对结果做判别的环节，这里由于业务不同，不做过多展看。当然可以屡试不爽的做trick处理，拿最好的模型（GPT-4、claude）Prompt一个裁判模型，对结果做校验。
4. 总结
本文重点基于Let’s Verify Step by Step一文讨论了PRM的作用和样本富集过程。相信通过上面的介绍，你已经对PRM有了个更深刻的了解。
基于OpenRLHF源码梳理下PRM的训练过程，详见：姜富春：OpenRLHF源码解读：理解PRM训练过程(https://zhuanlan.zhihu.com/p/16027048017)
5.附录
O1猜想的一些汇总：https://github.com/hijkzzz/Awesome-LLM-Strawberry
张俊林：Reverse-o1:OpenAI o1原理逆向工程图解：https://zhuanlan.zhihu.com/p/721952915
猛猿：OpenAI o1 技术初探1：整体框架，利用Test-Time Scaling Law提升逻辑推理能力：https://zhuanlan.zhihu.com/p/773907223
Let’s Verify Step by Step：https://arxiv.org/pdf/2305.20050
备注：昵称-学校/公司-方向/会议(eg.ACL)，进入技术/投稿群
id：DLNLPer，记得备注呦
