OpenAI o1 self-play RL 技术路线推演

OpenAI的self-play RL新模型o1最近交卷，直接引爆了关于对于self-play的讨论。在数理推理领域获得了傲人的成绩，同时提出了train-time compute和test-time compute两个全新的RL scaling law。作为领域博主，在时效性方面肯定卷不过其他营销号了，所以这次准备了大概一万字的内容，彻底深入分析并推演一遍其中的相关技术细节。 o1，而今迈步从头越 首先要说一下，o1是一个多模态模型，很多人包括 Jim Fan 都忽略了这一点： <img src="https://picx.zhimg.com/v2-f98facf678d8b4cff0e3344d392790e5_b.jpg" data-rawwidth="1526" data-rawheight="1580" data-size="normal" data-caption="" class="origin_image zh-lightbox-thumb" width="1526" data-original="https://picx.zhimg.com/v2-f98facf678d8b4cff0e3344d392790e5_r.jpg" d