从openAI最新模型GPT-o1再谈思维链(Cot)技术，大模型该怎么提升其逻辑推理能力？
“ 推理能力是大模型迈向AGI的必经之路 ”
最近openAI发布了号称史上最强模型——o1，其具有强大的逻辑推理能力，号称能达到人类的博士生水平。
而从o1模型的评测来看，o1模型在数学竞赛，编码，科学问答等方面表现良好，甚至高出了GPT4o一大截。
而且，o1在物理，化学，生物，逻辑学等其它领域，相比GPT4o都得到了巨大的提升。
而据介绍o1模型之所以具有如此强大的逻辑推理能力，就是因为使用了思维链技术；当然，目前官方并没有公布o1的核心技术理论，因此也不排除o1模型使用了其它更加强大的逻辑推理技术。
大模型之思维链技术
在前面的文章中也简单介绍过大模型的思维链技术——大模型推理引擎之思维链技术，里面介绍了思维链的基本逻辑以及其实现原理。
简单来说，思维链技术就是模拟人类的思维方式，在面对复杂问题时，让大模型像人类一样思考，把复杂问题拆分成简单的步骤，然后通过调用工具一步一步地去完成。
而大模型还有哪些能够提升其逻辑推理能力的技术或方法？今天就来盘点一下提升大模型逻辑推理的黑科技。
初级推理技术
大模型初级推理技术的核心是，把大型复杂的任务，分解成一个一个的简单的小任务。
主要包括，思维链(CoT)，自洽性思维链(CoT-SC)，思维树(TOT-tree of thought)等技术。
思维链
思维链全称Chain of Thought，就是把任务进行拆解，适用于各种推理任务，比如数学，逻辑判断等，思维链的优点就是不用对模型进行训练和微调。
在思维链技术中，可能还会使用到零样本(zero-shot prompt)提示和少样本提示(few-shot prompt)等技术。
自洽性思维链
所谓的自洽性思维链，是指对同一个问题，生成多个不同的思维链技术，并让模型从中挑出最合适的方案。
思维链技术并不稳定，其效果取决于大模型的能力，而如果让大模型进行发散性思维，通过多种不同的方式解决问题，然后从中找到最优解，这就是自洽性思维链。
思维树
思维树(TOT)是对思维链(CoT)的进一步扩展，在思维链的每一步，推理出多个分支，拓扑展开成一棵思维树。使用启发式的方法评估每个推理分支对问题解决的贡献。
使用搜索算法，如广度搜索或深度搜索算法等来探索思维树，并进行前瞻和回溯。
中级推理技术
初级推理技术的优点是简单，缺点是结果不可控，推理过程与结果完全由大模型本身自由发挥，即使出错也没有纠错机制。
因此，以ReAct，Plan & Execute和Self Discover为代表的中级推理技术就出现了。
其会约束大模型的推理方向，并根据环境反馈进行纠错。
ReAct
ReAct全称Reasoning and Acting，意思就是推理与行动，来解决多样化的语言推理与决策任务。
其典型的流程是Thought-思考——Action-行动和Observation-观察；思考与行动都比较容易理解，观察其实就是一个反馈的过程，把任务执行的步骤记录下来进行观察，根据观察结果进行调整。
这样经过思考——行动——观察——再思考——再行动——再观察的过程，经过多次循环，最终达到目的。
Plan & Execute
Plan & Execute 方法的本质是先计划再执行，从名称就可以看出，计划 & 执行，通过把问题拆分成一个一个的子任务，根据情况调整执行计划。
Self-Discover
Self-Discover主要包含两个阶段：
阶段一：自发现特定任务的推理结构
阶段二：应用推理结构
高级推理技术——Reflexion 和 LATS
初级推理和高级推理虽然能解决一些简单的任务，但对一些更复杂，思维链路更长的任务就束手无策了。
因此，高级推理技术就出现了，Reflexion和LATS的核心思想就是通过强化学习的方式来解决更复杂的任务场景。
Reflexion
Reflexion 的本质是强化学习，它主要由三部分组成，参与者——Actor，评估者——Evaluator和自我反思——Self-Reflection。
Reflexion 旨在通过反思过去的错误，并把这些知识纳入未来的决策，用以帮助Agent提升表现能力。因此，Reflexion非常适合那种通过反复实验得到结果的任务，比如决策，推理，编程等。
LATS——Language Agent Tree Search
LATS技术全称是——Language Agent Tree Search，简单来说就是Tree search + ReAct + Plan&Execute+ Reflexion，因此可以说LATS技术是目前最强的推理技术，集百家之长。
这里的ReAct，Plan & Execute 和Reflexion在前面的内容中都简单介绍过，这里要再介绍一下Tree Search。
Tree Search是一种树搜索算法，LATS使用蒙特卡罗算法(MCTS)，通过平衡搜索找到最优决策路径。
大模型推理能力黑科技
https://www.msn.cn/zh-cn/news/other/openai%E6%9C%80%E5%BC%BA%E6%8E%A8%E7%90%86%E6%A8%A1%E5%9E%8Bo1%E6%AD%A3%E5%BC%8F%E5%8F%91%E5%B8%83-%E4%B8%80%E8%B5%B7%E5%9B%9E%E9%A1%BE%E9%82%A3%E4%BA%9B%E6%8F%90%E5%8D%87%E5%A4%A7%E6%A8%A1%E5%9E%8B%E6%8E%A8%E7%90%86%E8%83%BD%E5%8A%9B%E7%9A%84%E9%BB%91%E7%A7%91%E6%8A%80/ar-AA1qAU2j?ocid=BingNewsSerp
总之，大模型的推理能力是迈向AGI的基础，也是Agent未来应用的基石。
如何学习AI大模型 ？
“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。
这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。
我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。
我意识到有很多经验和知识值得分享给大家，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。【保证100%免费】🆓
对于0基础小白入门：
如果你是零基础小白，想快速入门大模型是可以考虑的。
一方面是学习时间相对较短，学习内容更全面更集中。
二方面是可以根据这些资料规划好学习计划和方向。
😝有需要的小伙伴，可以VＸ扫描下方二维码免费领取🆓
👉1.大模型入门学习思维导图👈
要学习一门新的技术，作为新手一定要先学习成长路线图，方向不对，努力白费。
对于从来没有接触过AI大模型的同学，我们帮你准备了详细的学习成长路线图&学习规划。可以说是最科学最系统的学习路线，大家跟着这个大的方向学习准没问题。（全套教程文末领取哈）
👉2.AGI大模型配套视频👈
很多朋友都不喜欢晦涩的文字，我也为大家准备了视频教程，每个章节都是当前板块的精华浓缩。
👉3.大模型实际应用报告合集👈
这套包含640份报告的合集，涵盖了AI大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示。（全套教程文末领取哈）
👉4.大模型落地应用案例PPT👈
光学理论是没用的，要学会跟着一起做，要动手实操，才能将自己的所学运用到实际当中去，这时候可以搞点实战案例来学习。（全套教程文末领取哈）
👉5.大模型经典学习电子书👈
随着人工智能技术的飞速发展，AI大模型已经成为了当今科技领域的一大热点。这些大型预训练模型，如GPT-3、BERT、XLNet等，以其强大的语言理解和生成能力，正在改变我们对人工智能的认识。 那以下这些PDF籍就是非常不错的学习资源。（全套教程文末领取哈）
👉6.大模型面试题&答案👈
截至目前大模型已经超过200个，在大模型纵横的时代，不仅大模型技术越来越卷，就连大模型相关的岗位和面试也开始越来越卷了。为了让大家更容易上车大模型算法赛道，我总结了大模型常考的面试题。（全套教程文末领取哈）
👉学会后的收获：👈
• 基于大模型全栈工程实现（前端、后端、产品经理、设计、数据分析等），通过这门课可获得不同能力；
• 能够利用大模型解决相关实际项目需求： 大数据时代，越来越多的企业和机构需要处理海量数据，利用大模型技术可以更好地处理这些数据，提高数据分析和决策的准确性。因此，掌握大模型应用开发技能，可以让程序员更好地应对实际项目需求；
• 基于大模型和企业数据AI应用开发，实现大模型理论、掌握GPU算力、硬件、LangChain开发框架和项目实战技能， 学会Fine-tuning垂直训练大模型（数据准备、数据蒸馏、大模型部署）一站式掌握；
• 能够完成时下热门大模型垂直领域模型训练能力，提高程序员的编码能力： 大模型应用开发需要掌握机器学习算法、深度学习
这份完整版的 AI 大模型学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】
😝有需要的小伙伴，可以Vx扫描下方二维码免费领取🆓