o1复制之旅有扑灭 327个样本打破惯例 这个OpenAI

1、327个样本打破惯例，这个"OpenAI o1复制之旅"有扑灭

人工自动畛域最近又掀起一阵波涛 —— OpenAI颁布了令人注目标O1模型。但是，这个模型的详细细节却似乎蒙着面纱普通奥秘。面对这种状况，一群钻研者选择开启了一场别开生面的"O1复制之旅"，试图揭开这层面纱。

最有目共睹的是，钻研团队提出了一个翻新的"journey learning（旅程学习）"范式。与传统的"融会贯串"式学习不同，这种方法让模型不只有学会处置疑问，还要学习整个探求环节，包含试错、反思和回溯。这个方法的威力令人惊叹：仅用327个训练样本，就在MATH数据集上逾越了传统监视学习8%以上的效果，而且没有经常使用任何额外技巧！

这个名目标异乎寻常之处在于其开创性的钻研模式。钻研团队选用实时地下他们的一切探求环节，包含完成与失败。这就像是在启动一场现场直播的迷信探求，任何人都可以第一期间了解他们的发现，介入探讨，独特推动钻研停顿。

这场"复制之旅"不只仅是对一个模型的便捷模拟，更是对人工自动钻研模式的一次性改造。钻研团队将一切技术假定、认知探求门路、自研工具等资源都开明在GitHub上，为整个AI社区奉献了贵重的阅历。这种开明、透明的钻研模式，或者正在开创AI钻研的新范式。

论文题目：O1 Replication Journey: A Strategic Progress Report -- Part 1

论文链接：​ ​​ ​

2、RAG系统迎来严重打破！这个方法让大模型答案准确率优化10%

大言语模型的RAG系统只管弱小，但总是会发生一些令人难堪的"跑偏"现象。比如当你问"法国的首都是哪里"时，它或者会顺带给你讲述其余法国市区的故事。这种"弄巧成拙"不只影响回答的准确性，更或者造成失误消息的发生。

钻研者们提出了一个奇妙的处置打算：ChunkRAG。这个方法就像是给RAG系统装上了一个"自动过滤器"。它不再是便捷地失掉整篇文档，而是先将文档切分红小块，再让大模型细心评价每个小块与疑问的关系性，最后只保管最关系的内容来生成答案。

这种翻新方法的效果令人振奋。在PopQA数据集上的测试显示，ChunkRAG使系统的准确率优化了惊人的10个百分点！拿之前的例子来说，当你问法国首都时，它如今会洁净拖拉地回答："法国的首都是巴黎"，没有任何多余消息。

这一打破关于须要高度准确性的运行场景，比如理想核对、多跳推理等尤为关键。它让咱们离真正牢靠的AI助手又近了一步，置信未来会有更多畛域因此受益。

论文题目：ChunkRAG: Novel LLM-Chunk Filtering Method for RAG Systems

论文链接：​ ​​ ​

本文转载自​​，作者：