OpenAI 最近推出了其新的推理模型 o3，該模型在 ARC 數(shù)據(jù)集上大幅超越了之前的最佳性能（SOTA），并在具有挑戰(zhàn)性的 FrontierMath 數(shù)據(jù)集上取得了令人驚嘆的結(jié)果。很明顯，該模型在推理能力方面是一個重要的進步。

然而，最近關(guān)于人工智能進展停滯的報道中包含了一種對進展速度的悲觀情緒。許多人可能仍然在思考大型語言模型（LLM）擴展法則，這些法則預測計算、數(shù)據(jù)和模型大小的增加將導致更好的模型，是否已經(jīng)“遇到了瓶頸”。我們是否達到了基于變換器的 LLMs 當前范式的可擴展性極限？

除了首次公開發(fā)布的推理模型（OpenAI 的 o1、Google 的 Gemini 2.0 Flash，以及即將在 2025 年發(fā)布的 o3）之外，大多數(shù)模型提供商似乎都在進行表面上看似漸進式的現(xiàn)有模型改進。從這個意義上說，2024 年基本上是一年的發(fā)展鞏固，許多模型在本質(zhì)上已經(jīng)趕上了年初的主流模型 GPT-4。

但這掩蓋了像 GPT-4o、Sonnet 3.5、Llama 3 等“主力”模型（即非推理模型）所取得的實際進展，這些模型在 AI 應用中最為頻繁。大型實驗室一直在推出這些模型的新版本，這些新版本在各個任務上都推動了 SOTA 性能，并且在編程和解決數(shù)學問題等任務上帶來了巨大的改進。

不可忽視的是，2024 年模型性能的改進主要是由訓練后和測試時計算的擴展所驅(qū)動的。在預訓練方面，新聞并不多。這導致了一些猜測，即（預訓練）擴展法則正在崩潰，我們已經(jīng)達到了當前模型、數(shù)據(jù)和計算所能達到的極限。

在這篇文章中，將回顧 LLM 擴展法則的歷史，并分享對未來方向的看法。從外部預測大型 AI 實驗室的進展是困難的。對 2025 年 LLM 擴展可能如何繼續(xù)的總結(jié)：

預訓練：有限 - 計算擴展正在進行中，但我們可能受限于足夠規(guī)模的新高質(zhì)量數(shù)據(jù)；

訓練后：更有可能 - 合成數(shù)據(jù)的使用已被證明非常有效，這可能會繼續(xù)下去；

推理時：也很有可能 - OpenAI 和 Google/Deepmind 在今年開始了這一趨勢，其他參與者將跟進；同時，注意開源復制；在應用層面，我們將看到越來越多的代理產(chǎn)品。

什么是 LLM 擴展法則？

在深入探討之前，什么是 LLM 擴展法則？簡而言之：它們是關(guān)于規(guī)模（以計算、模型大小和數(shù)據(jù)集大小衡量）與模型性能之間相關(guān)性的經(jīng)驗觀察。

有了這個背景，讓我們看看我們目前的位置以及我們是如何走到這一步的。

計算最優(yōu)的預訓練 - Kaplan 和 Chinchilla

最初的擴展法則指的是 LLMs 的預訓練階段。Kaplan 擴展法則（OpenAI，2020）建議，隨著、預訓練計算預算增加，應該更多地擴展模型大小而不是數(shù)據(jù)。這意味著：給定 10 倍的訓練預算增加，應該將模型大小擴展 5.5 倍，數(shù)據(jù)擴展 1.8 倍。

2020 年由 OpenAI 發(fā)布的 GPT-3，很可能遵循了這些擴展法則，并且在給定其大小的情況下，訓練數(shù)據(jù)量異常少。也就是說，它有 1750 億參數(shù)，但僅在 3000 億token上進行了訓練，這相當于大約 1.7 個token/參數(shù)。

這些原始擴展法則存在一些缺陷，例如沒有考慮嵌入?yún)?shù)，并且通常使用相對較小的模型來估計擴展法則，這并不一定適用于大型模型。Chinchilla 擴展法則（Deepmind，2022）糾正了一些這些缺陷，并得出了非常不同的結(jié)論。

特別是，數(shù)據(jù)的重要性比以前認為的要大得多，因此模型大小和數(shù)據(jù)應該與計算同等比例地擴展。這些新發(fā)現(xiàn)表明，像 GPT-3 和當時發(fā)布的其他模型實際上是嚴重欠擬合的。一個像 GPT-3 這樣的 1750 億參數(shù)的模型應該在大約 3.5T token上進行訓練才能達到計算最優(yōu)，這大約是 20 個token/參數(shù)。或者，通過反向論證，像 GPT-3 這樣的模型應該小 20 倍，即只有 150 億參數(shù)。

Chinchilla 陷阱：優(yōu)化推理

僅僅遵循 Chinchilla 擴展法則會導致“Chinchilla 陷阱”，即你最終會得到一個太大、因此在大規(guī)模推理時運行成本過高的模型。例如，在 Touvron 等人（Meta，2023）的 Llama 1 論文中，指出損失在 Chinchilla 最優(yōu)之后繼續(xù)下降。Llama 1 模型以高達 142 個token/參數(shù)的比例進行訓練，這是最小的（70 億）模型，訓練在 1T 標記上。這一趨勢繼續(xù)出現(xiàn)在 Llama 2（Meta，2023）中，token翻倍至 2T，導致高達 284 個token/參數(shù)的比例。最后，也在 Llama 3（Meta，2024）中出現(xiàn)，比例高達 1,875 個token/參數(shù)（80 億模型在 15T tokne上訓練）。訓練這些小型模型更長時間使它們達到出人意料地高性能，且在推理時運行成本較低。

這種證據(jù)不僅來自 Llama 3 模型訓練在極高的token參數(shù)比例上，而且來自文獻。例如，Sardana 等人（MosaicML，2023）估計了考慮推理時計算的擴展法則。在他們的實驗中，他們訓練了高達 10,000 個token/參數(shù) 的模型比例，并發(fā)現(xiàn)損失在 Chinchilla 最優(yōu)之后繼續(xù)下降。這些圖表很好地說明了訓練小型模型更長時間的點，以及如何導致如果預期有足夠高的推理需求，總成本更低。

Sardana et al. (2023)

測試時間計算擴展

不用說，隨著數(shù)據(jù)和參數(shù)越來越多地訓練模型，計算成本越來越高。在 Llama 3 論文中，旗艦模型的訓練使用了 3.8×10^25 FLOPs，這是 Llama 2 的 50 倍。根據(jù) EpochAI，截至 2024 年 12 月，已知的最大訓練預算是在 Gemini Ultra 的情況下，為 5×10^25 FLOPs。計算量非常大，尤其是如果考慮將其擴大幾個數(shù)量級的話。

OpenAI 2024

作為回應，2024 年發(fā)布了像 OpenAI 的 o1 和最近的 o3 這樣的模型，這些模型利用測試時計算來生成預測。所以，這些模型不是立即生成答案，而是在測試時生成思維鏈，或使用 RL 技術(shù)來生成更好的答案。通俗地說，可以說我們給了模型更多時間來“思考”再給出答案。這催生了一種完全不同的 LLM 擴展法則，即測試時計算。

推薦聽聽 OpenAI 的 Noam Brown 的有趣演講，他談到了他在訓練用于玩撲克、國際象棋、Hex 等游戲的模型時學到的經(jīng)驗，以及測試時計算如何使 SOTA 性能成為可能，這些性能僅通過擴展訓練計算是無法實現(xiàn)的。

例如，如果存在訓練和推理時間計算之間的權(quán)衡，即可以用 10 倍的訓練預算換取 15 倍的推理時間計算增加，那么在訓練計算已經(jīng)非常昂貴而推理計算非常便宜的情況下，這樣做是有意義的。

Jones (2021)

擴展法則是否仍然有效，還是我們已經(jīng)遇到了瓶頸？

這是個大問題，從大型實驗室外部很難回答。讓我們回顧一下他們內(nèi)部的說法，同時要意識到他們的陳述可能存在一些偏見。

Anthropic 的 Dario Amodei 表示：“我見過這種情況發(fā)生很多次，真的相信擴展可能會繼續(xù)，而且其中有一些我們還沒有在理論上解釋清楚的魔力。”

OpenAI 的 Sam Altman 則表示：“沒有遇到瓶頸。”

此外，公司仍在擴大他們的數(shù)據(jù)中心，xAI 的 Colossus 集群托管了 10 萬個 H100 節(jié)點，并計劃將其擴展到至少 100 萬個。

盡管在擴展計算能力時存在工程挑戰(zhàn)和能源瓶頸，但這一過程正在進行中。然而，計算能力只是 LLM 擴展法則中的一個因素，另外兩個因素是模型大小和數(shù)據(jù)。有了更大的集群，也可以在給定時間內(nèi)訓練更大的模型。不過，數(shù)據(jù)的擴展則是另一回事。

EpochAI 估計，在索引的網(wǎng)絡中有 510T 個token的數(shù)據(jù)可用，而已知的最大數(shù)據(jù)集是大約 18T 個token（Qwen2.5）。看起來似乎還有很大的空間可以擴展數(shù)據(jù)，但其中大部分數(shù)據(jù)質(zhì)量較低或重復。再加上從 1-2 年前開始，互聯(lián)網(wǎng)上新增的大量文本是由 LLM 生成的。盡管還有可能的新數(shù)據(jù)源可用，例如轉(zhuǎn)錄互聯(lián)網(wǎng)上的所有視頻，或者使用不在開放互聯(lián)網(wǎng)上的文本（例如專有數(shù)據(jù)），但低垂的果實已經(jīng)被采摘了。

EpochAI

擴展的邊際效益遞減實際上正是冪律關(guān)系所預期的。也就是說，為了獲得第一單位的改進，需要 1 單位的數(shù)據(jù)，然后是 10 單位用于下一個改進，接著是 100 單位，以此類推。正如 Yann LeCun 所說，這適用于所有“長尾”領(lǐng)域，即隨著數(shù)據(jù)集大小的增加，輸入的多樣性不斷增長的領(lǐng)域，如對話和問答。

從擴展法則的方程式和圖表來看，應該清楚地認識到這些關(guān)系是有極限的，這一點也得到了 Kaplan 原始論文[3]的認可。原因在于自然語言中固有的熵，以及損失無法降低到零。因此，雖然目前看來性能似乎只是隨著計算、數(shù)據(jù)、模型大小的對數(shù)線性增長，但最終它必須趨于平穩(wěn)。問題不在于是否會趨于平穩(wěn)，而在于何時會發(fā)生。

我們現(xiàn)在已經(jīng)達到了這個點了嗎？很難回答，因為這不僅僅是簡單地將計算或數(shù)據(jù)再擴展一個數(shù)量級并看看會發(fā)生什么。AI 實驗室正在構(gòu)建大型的新集群，這將使他們能夠更長時間地訓練模型，并觀察損失是否繼續(xù)以相同的速度減少。據(jù)我們所知，我們還沒有在 10 萬個 H100 節(jié)點上訓練這些模型，更不用說 100 萬個了，所以很難判斷我們還能將訓練損失降低多少。更重要的是，我們只有一個互聯(lián)網(wǎng)，所以擴展數(shù)據(jù)是一個更困難的問題。正如我們從 Kaplan 擴展法則中知道的，只有當模型不受這些因素之一的限制時，這些法則才成立。

Ilya Sutskever在NeurIPS 2024

然而，鑒于那些利用測試時計算的模型所表現(xiàn)出的令人印象深刻的表現(xiàn)，以及OpenAI 的 o3 的發(fā)布，很明顯，擴展測試時計算是未來的發(fā)展趨勢。

如下面的圖表所示，當擴展測試時計算時，在具有挑戰(zhàn)性的 Arc 數(shù)據(jù)集上的性能提升是相當顯著的。從 o3 low到 o3 high，模型被賦予了 172 倍更多的計算資源來生成答案。它平均每道題使用 5700 萬個token，相當于 13.8 分鐘的運行時間，而在低計算設置中，它每道題僅使用 33 萬個token，即每道題 1.3 分鐘。

根據(jù) Noam Brown 的說法，這只是開始。明年，我們可能會讓模型運行數(shù)小時、數(shù)天甚至數(shù)周來回答真正具有挑戰(zhàn)性的問題。

Arc Prize網(wǎng)站

結(jié)論

鑒于目前的發(fā)展勢頭和硬件部署情況，人們將會嘗試通過投入更多的計算資源來進一步推動擴展法則。這可能是在訓練方面，通過延長預訓練時間或在訓練后投入更多資源，但尤其在推理方面，通過讓模型“思考”更長時間后再給出答案。

公眾可能并不總是能夠接觸到最大的模型，這些模型可能性能最佳，但運行成本過高。像 GPT4o 或 Sonnet 3.5 這樣的模型，可能更適合用于推理的小型模型。而擁有 4050 億參數(shù)的 Llama 3 模型，雖然相當龐大，但可以作為小型模型的優(yōu)秀教師模型，或者用于生成合成數(shù)據(jù)。

今年的趨勢，肯定會延續(xù)到 2025 年（在一年的這個時間點上，這是一個容易做出的預測）：

代理（Agents）

測試時計算（Test-time compute）

合成數(shù)據(jù)（Synthetic data）

代理實際上也是測試時計算的一種方式，但這種方式比大型實驗室更易于公眾和應用開發(fā)者接觸。盡管如此，大型實驗室也在大力投資代理技術(shù)。

測試時計算是關(guān)鍵。正如我們在 o1 Gemini 2.0 Flash 和 o3 中所看到的，這些將是解決需要更復雜推理的用例，或者在需要權(quán)衡一些訓練計算以換取更多推理計算的情況下的解決方案。

至于合成數(shù)據(jù)，它主要用于訓練后，但也可以將清理互聯(lián)網(wǎng)視為一種合成數(shù)據(jù)生成的方式。從今年的 LLM 論文中可以看出，合成數(shù)據(jù)對于 SFT 在數(shù)學和編程等任務上的性能提升非常重要。在某些領(lǐng)域，合成數(shù)據(jù)比其他領(lǐng)域更有用，所以不確定它是否真的能夠填補人類撰寫數(shù)據(jù)缺失的空白。

因此，本文的結(jié)論是，我們可能已經(jīng)達到了一個點，即預訓練擴展法則并沒有完全崩潰，但可能正在放緩，這并不令人驚訝。這主要是因為我們已經(jīng)耗盡了大量高質(zhì)量文本的來源。

然而，這并不意味著該領(lǐng)域不會再有任何進展，因為預訓練只是拼圖的一部分。正如我們所見，擴展測試時計算和使用合成數(shù)據(jù)，很可能是未來進展的主要驅(qū)動力。至少到目前為止，我們可能只是處于測試時擴展法則的早期階段，所以還有很大的改進空間。

總之，這是我們看到的 2025 年 LLM 擴展最具潛力的方向：

預訓練：有限 - 計算擴展正在進行中，但我們可能受限于足夠規(guī)模的新高質(zhì)量數(shù)據(jù)；

訓練后：更有可能 - 合成數(shù)據(jù)的使用已被證明非常有效，這可能會繼續(xù)下去；

推理時：也很有可能 - OpenAI 和 Google/Deepmind 在今年開始了這一趨勢，其他參與者將跟進；同時，注意開源復制；在應用層面，我們將看到越來越多的代理產(chǎn)品。

參考文獻：

[1] T. Brown et al. Language Models are Few-Shot Learners, 2020.[paper]

[2] J. Hoffmann et al. Training Compute-Optimal Large Language Models, 2022.[paper]

[3] J. Kaplan et al. Scaling Laws for Neural Language Models, 2020.[paper]

[4] H. Touvron et al. LLaMA: Open and Efficient Foundation Language Models, 2023.[paper]

[5] H. Touvron et al. Llama 2: Open Foundation and Fine-Tuned Chat Models, 2023.[paper]

[6] Llama Team, AI @ Meta. The Llama 3 Herd of Models, 2024.[paper]

[7] N. Sardana et al. Beyond Chinchilla-Optimal: Accounting for Inference in Language Model Scaling Laws, 2024.

原文鏈接：https://www.jonvet.com/blog/llm-scaling-in-2025