LLM依然不会规划，LRM可以吗？
OpenAI声称，草莓o1已经突破了自回归LLM常规限制，成为一种新型的「大推理模型」（LRM）。
它能够基于强化学习，通过CoT多步推理。并且，这种推理过程的代价，是高昂的。
来自ASU研究人员以此为契机，全面评估了当前LLM和新型LRM，在测试基准PlanBench上表现。
论文地址：https://arxiv.org/pdf/2409.13373
PlanBench是他们在22年提出，评估大模型规划能力的测试基准。
在最新测试中，研究人员发现，o1-preview表现出色，大幅领先其他模型，但也未完全通过PlanBench基准测试。
其他LLM，在Mystery Blocksworld上的性能都不过5%。在基准上的结果曲线，和X轴几乎融合。
足见，这些大模型的规划能力，非常地弱。
不过，作者指出，规划推理越长，o1-preview的准确率便会低于25%。
另外一个值得注意的点是，即便o1-preview超越了多数近似检索的普通LLM，成为一种近似「推理器」。
但是，这种推理成本高达42美元/100个实例。
总而言之，o1在推理规划方面开辟了新天地，但仍旧不是终极AI大脑。
最先进LLM，依然无法规划
作者认为，o1模型以往LLM很大不同在于，前者被训练成为近似「推理器」，而后者粗略视为「检索器」。
由此，o1发布之后，研究人员对其与普通的LLM进行了区分，并将o1称为「大推理模型」。
而要评估新模型的能力，以及局限性，还需要新的工具和评估方法。
PlanBench是在2022年GPT-3发布不久之后，亮相arXiv。此后，作者也在一个特定子集上（包含600个3-5 block问题的静态数据集），重新测试模型。
尽管相继出现的LLM参数规模越来越大，算力成本越来越高，但它们在简单的规划问题上，依旧无法实现饱和。
而且，多项研究中的改进并不稳健，可推广力没有那么高。
因此，PlanBench可以作为LLM和LRM在推理规划任务上，是否取得进步的一个衡量标准。
不过需要注意的是，这种测试只能作为性能的上限，尤其局限于静态测试集。
如下表1中，展示了当前大模型在600个3-5 Blocksworld静态问题测试集，以及600个语义相同但语法混淆的实例Mystery Blocksworld中的结果。
在这些模型中，Llama 3.1 405B在常规Blocksworld上，取得了最佳性能62.6%。
然而，尽管本质问题相同，许多模型在Mystery Blocksworld上，性能大打折扣几乎溃败。
没有一个模型，在PlanBench测试集中，达到5%的性能。
这是因为，LLM非常擅长提供等效表征之间的转换。
因此，大模型在Blocksworld未混淆语义语法的问题上，性能更高。这也预示着，如果LLM能够组合推理操作，明确提供从Mystery Blocksworld到Blocksworld表征翻译，或许LLM在此的性能差距应该会大幅缩小。
通过重写提示，研究人员发现，性能仅是提高了很小一部分—— GPT-4达到了10%。
作者还发现，与之前结果相反，单样本提示（one-shot）相较于零样本，并没有显著改善模型性能。
事实上，在许多模型中，one-shot效果似乎要差得多！
这一点，在对Llama系列模型的测试中，最为明显。
顺便提一句，在起初基准迭代中，研究人员并没有考虑效率问题，因为普通LLM生成某些输出，所需时间只取决于输出长度，与实例的语义内容、难度无关。
然而，LRM会根据输入内容，自适应改变每个实例所需的时间和成本，因此衡量计算效率变得尤为重要。
对此，ASU团队计算了不同模型的提示成本，如下表4所示。
看得出，100个实例，o1-preview推理的代价最高，为42.12美金。
接下来，就到了评估o1在PlanBench基准上的能力了。
从近似检索到近似推理
很多研究者都曾认为，通过近似检索来生成输出的「标准」自回归LLM，尽管能够在一系列系统1（快速、直觉性思考）任务中有着优异的表现，但不太可能具备更类似于系统2（慢速、分析性思考）的近似推理能力，而这种能力对于规划任务来说至关重要。
如今，OpenAI试图在o1上以不同的方式为底层LLM增添类似系统2的能力。
根据研究人员的推测，o1将底层LLM（很可能是经过修改的GPT-4o）与一个经过强化学习训练的系统相结合，该系统引导思维链推理轨迹的创建、整理和最终选择。
由此可知，o1与其他LLM存在两个主要区别：
第一，新增了一个额外的强化学习预训练阶段（可能是从大量合成数据中学习不同思维链的q值）；
第二，采用了一个新的自适应扩展推理程序（可能是通过类似rollout的方式进一步细化学习到的q值，然后再选择特定的思维链）。
不管怎样，从已知的细节来看，这个模型在本质上与之前的LLM有根本的差异。
在原始测试集上评估LRM
在需要2到16步计划来解决的原始Blocksworld测试上，o1实现了高达97.8%的正确率。在Mystery Blocksworld上，也有着52.8%的正确率。
更进一步，研究人员通过完全随机的字符串生成了新的混淆，并以此得到了难度更高的Randomized Mystery Blocksworld。
在这个测试中，o1仍能答对37.3%的问题——与那些一题都答不上来的LLM形成了鲜明对比。
扩大问题规模
LLM的思维链提示是非常脆弱的，很难随着问题规模的增大而稳健地扩展，而且不能诱导出通用的算法程序跟随。
为此，研究人员构建了一组有着110个实例的Blocksworld测试。其中，block的数量从6到20个不等，需要20到40步计划才能完成。
在不做任何混淆处理的情况下，o1-preview仅仅达到了23.63%的准确率，而且大部分都是来自于那些需要少于28步的问题。
可见，模型的性能还远未达到稳健的程度。
不可解的实例
一直以来，LLM都难以判断一个问题是否有解，而OpenAI则声称o1已经能够进行准确地识别了。
为了系统地测试这一点，研究人员修改了原始测试集中的100个实例——通过在每个实例的目标状态中添加一个on(x,y)类型的连接词，使目标变得不可满足。
结果显示，在Blocksworld中，o1只正确且明确地识别出了27%的实例是不可解的。
在19%的情况下，模型会返回一个点或某种「[empty plan]」标记，但没有对可解性做出任何解释或说明。这是不正确的，因为「empty plan」只有在目标已经满足的情况下才是正确答案。
在剩余的54%的情况下，模型生成了一个「完整」的计划。显然，这是不可能也是不正确的。
在Randomized Mystery Blocksworld中，结果更糟：
- 16%的情况正确识别出了问题不可解
- 5%的情况返回了「empty plan」
- 79%的情况给出了一个不可能或不满足目标的计划
可见，不可解实例仍然是LRM的一个问题。
不仅如此，这种识别能力也是有代价的——o1有时会错误地声称可解的问题是不可解的（假阴性）。
在Randomized Mystery Blocksworld中，模型的假阴性率达到了11.5%。
准确性和成本的权衡与保证
随着LRM在规划任务上取得更好的性能，评估也必须明确考虑，选择通用模型而非成熟专门系统来带的利弊。
虽然o1-preview准确性超越LLM，但缺乏的是正确性保证。
而且，目前尚不清楚它是否具备成本效益。
与之前模型不同的是，o1 API每次调用价格还包括基于使用「推理token」数量附加费用，并按照最高输出token计费。（这些token是在推理过程中生成，并没有直观展示出来）
这也就意味着，o1 API费用用户是无法控制的。
作者表示，o1推出不到一周，他们在PlanBench基准上测试模型，竟花费了1897.55大洋（约13300元）！
而且，能够访问的o1-preview似乎在每个问题上，使用的推理token数量受到限制。
这一点也可以从图2的平稳变化中，可以看出。（包括如下散点图）
这就存在一种认为降低总成本，最高性能的因素。
如果完整版o1取消这一限制后，可能会提高整体准确性，但随之带来的高昂推理成本更加难以预测（只会更加离谱）。
o1-mini虽然更具性价比，但总体性能还是较差。
由此，o1模型在成本、推理时间、保证、性能权衡上，仅是一种粗粒度的评估选择。
经典的规划器Fast Downward在数据集上，能够以更少时间、计算、成本，实现了100%准确率，同时能够保证答案准确度。
而在PC上运行Fast Downward基本上不需要花什么钱，平均每个实例耗时0.265秒。这要比如上表2中，o1平均时间快了几个数量级。
它通常也是可预测的，而且能直接扩展到更难的实例。
普通LLM非常擅长在不同格式之间转换问题，并可以结合Fast Downward一起使用，成本还仅是LRM一小部分。
对于没有简单PDDL域和实例规范的问题，LLM-Modulo系统可能是一种更安全、更便宜的方法。
即将一个较小、较快的LLM与一个可靠的验证器循环运行，使得组合系统只输出保证正确的解决方案。
后面这两种方法提供正确性保证，却在o1这样的LRM中严重缺失。
如果一个通过那个推理AI非常自信地制定错误计划，就不能部署在安全关键和非遍历领域。
当前，o1还是一个完全黑盒系统，要比之前模型更甚。OpenAI不仅保密其架构和推理过程，还警告禁止想要了解内部机制的用户。
这也就让o1的可解释性变为不可能，也降低了整个系统信任度。
o1的创造性解释
值得一提的是，当模型给出错误答案时，它有时还会为其决定提供一个富有创意但毫无意义的解释。
换句话说就是，o1从产生幻觉变成了PUA……
在一个案例中，它认为一个无法解决的问题是可以解决的，因为一个目标条件虽然在最终状态中不存在，但在执行过程中的某个时点是真的，因此应该继续计算。
在另一个案例中，它宣称on(a,c)是真的，因为正如「on(a,c)」的字面意思，a在b上，而b在c上，因此a在c的「上方」。
结论
总结而言，LLM在原始Blocksworld测试集上的表现，会随着时间的推移有所提升。
其中，表现最佳的是Llama 3.1 405B——准确率高达62.5%。
然而，这些模型在同一领域的混淆版本上的糟糕表现，暴露了它们「近似检索」的本质。
相比之下，新的LRM，也就是o1，不仅几乎接近完美解决了原始Blockworld测试集，而且在混淆版本上首次取得了进展。
受此鼓舞，研究人员又评估了o1在更长问题和无解问题上的表现。
但结果显示，之前这些准确率的提升既不具有泛化性，也不具有稳健性。
最后，团队希望这份研究报告能够很好地展示LLM和LRM的规划能力，并为如何切实评估它们提供有用的建议。
