草莓模型即将登场，处理复杂问题更拿手，或比 GPT-4 更出色
The 还预测，目前为付费（每月20美元）的客户，会比免费用户更早访问首个草莓模型。
处理复杂问题更拿手
据悉，草莓会比GPT-4o更擅长复杂的问题，或多步骤查询。
目前，如果用户想在中得到理想的答案，往往还需要输入各种格外的。
比如用「连贯思维提示」，让通过中间推理步骤来得出答案。
而草莓可能会避免这种麻烦，让用户一步得到结果。
这也就意味着，草莓不仅在数学和编码问题上会更好，还会更擅长主观的商业任务，比如头脑风暴一个产品营销策略。
爆料人表示，草莓的思考步骤，会避免它出错。
而多思考的那十秒到二十秒，会让它更可能知道，何时要向客户询问后续问题，来完成对他们的解答。
多思考20秒是鸡肋？
然而两位人士透露，还需要再解决一些问题。
比如，理论上讲，草莓应该能够在用户提出简单问题时，跳过其思考步骤。然而在实际应用中，模型并不总是这样。
它可能会错误地花费过多时间，来回答那些其他模型很快就能回答的问题。
用过草莓模型的人抱怨说，跟GPT-4o相比，草莓的回复只是稍稍更好一些，但并没有好到值得用户去等10到20秒。
另外，希望迎合用户的这一特定偏好：在回答新问题前，草莓会记住并且整合与用户先前的聊天记录。
这个细节非常重要，比如如果用户希望软件代码以某种格式书写的时候，这种能力就非常有用。
然而令人沮丧的是，草莓并不总是能做到这一点。
网友吐槽：还要挤多久？
冷知识：距离发布GPT-4，已经过去了一年零六个月。而新模型的影子，至今还没看到。
的草莓，来来回 回炒作了好几遍。狼来了的故事来了太多次，网友们都快麻了。
别家都是要发模型就干脆利落地发，只有它把同一个话题来回来去地炒，就是不发真东西。
奥特曼之前晒出花园里的草莓照，就曾一度引起轩然大波，然而最终却无事发生，这种「谜语人」的操作难免令人生厌。
现在提起，很多群众的第一反应就是——
没错，它已经逐渐沦为「炒作」的代名词。
更有网友做出梗图，调侃道：发布新模型的姿势是这样的——
这样的——
以及这样的——
本来在大模型领域，是遥遥领先的领导者。但如今，竞争者们早已后来居上了。
上个月，谷歌就推出了AI语音助手 ，能够灵活处理用户的突然中断和话题变化。
要知道，在五月就首发了「Her」的功能，然而这个语音助手GPT-4o Voice随后却推迟了发布，原因是在提高安全措施，确保模型拒绝不当内容。
如今正值草莓模型的发布前期，可能也在做类似的准备。
而最令人失望的一点其实是，跟前两年的如火如荼相比，今年的发展似乎已经停滞了。
与此同时，模型的计算量、参数大小、数据集大小，都纷纷遭遇瓶颈，开源模型和闭源模型的能力也在逐渐缩小。
是不是因为没有不够的GPU，所以我们现在依然离AGI如此遥远？
如何破局？用RL
打破瓶颈的方法，如今各家都走到了同一路径——Self-play RL。
在LLM领域，自我博弈理论看起来就像是AI反馈
3.5就是基于Self-play RL做出的，因此代码能力强到突出。
而我们都知道，草莓有一个重要作用，就是给下一代大模型合成数据，这里面有个前提，就是它同样是基于新范式Self-play做出的。
很多LLM的弱点就在推理能力上，而有些初创公司为了提高它们的推理能力，就采用了一种廉价的技巧，将问题分解为更小的步骤，尽管这些方法速度慢且成本高昂。
就是通过Self-play学习，击败了李世石
在草莓中，我们也看到了类似的思路。
用Self-play RL去验证，自然就能让草莓的数学和代码能力上飞速暴涨。
同样，付出的代价就是极高的推理成本，导致它又贵、又慢。
但得到的结果，是极高的智能，或许启发我们通往AGI的路线，就靠草莓这种思路了。
说起来，「草莓之父」，其实就是已经离职了的的首席科学家Ilya 。
据悉，的一些人认为Q*可能是在AGI上取得的一个突破
在Ilya离职之前，的研究人员Jakub 和 Sidor，在Ilya的工作基础上开发了一个新的数学求解模型Q*。
据称，Q*解决的此前从未见过的数学题。
Ilya做出的突破，使不再受限于获取足够的高质量数据来训练新模型，而这，正是开发下一代模型的主要障碍。
另外，在去年Q*的前期准备中，研究人员开发了一种被称为「测试时计算」的概念变体，目的是提升LLM的问题解决能力。
这样，LLM就会花更多时间考虑被要求执行的命令，或问题的各个部分。
当时，Ilya发表了一篇与这项工作相关的博客，展示了模型如何解决了数个极有难度的数学问题。
比如在下面这道题中，GPT-4成功执行了一系列复杂的多项式分解。
基于这类技术做出的草莓，虽然更贵、更慢，但数学和推理的进步无疑是惊人的。
或许对于普通用户，它未必是一个更值得付费的产品。
但对于需要高阶能力的场景，草莓会更有发挥的余地。
大佬猜测：谷歌论文疑似揭示方法
有趣的是，Menlo风投负责人、前谷歌搜索工程师 Das发推称： 在最近一篇论文中提出的方法，可能就是在上用的。
论文提出，让LLM进行更多的「测试时计算」（test-time ），对于构建能在开放语境下操作、能实现自我提升的agent，是关键的一步
而这篇论文就重点研究了扩展「推理期计算」（-time ）这个问题。
如果允许LLM使用固定但非平凡量的推理期计算，它在应对具有挑战性的提示词时，可以有多少性能提升？
这个问题不仅影响LLM的可实现性能，还关系到LLM预训练的未来，以及如何在推理计算和预训练计算之间进行权衡。
为了回答这个问题，研究团队分析了扩展测试时计算的两种主要机制：（1）针对密集的、基于过程的验证器奖励模型进行搜索；（2）根据测试时得到的提示词，自适应更新模型对响应的分布。
结果显示，在这两种情况下，对测试时计算的不同扩展方法的有效性，很大程度上取决于提示词的难度。
论文地址：
基于此，研究团队提出了一种「计算最优」扩展策略——通过为每个提示词自适应地分配测试时计算，使测试时计算的扩展的效率提高4倍以上。
另外，在FLOPs一致的评估中，对于那些较小的基础模型已取得一定程度非平凡成功率的问题，测试时计算可以使其超越规模大14倍的模型。
不过，网友们对这一猜测并不认可。
首席执行官Aidan 表示，谷歌探讨的是最佳N采样和蒙特卡洛树搜索（MCTS）。
而「草莓」可能会是一个具有特殊token（回溯、规划等）的深度混合模型。它可能会通过人类数据标注者和来自易于验证领域（如数学/编程）的强化学习进行训练。
另一位网友也提出疑问——「草莓」不是一个神经符号模型吗？
对此，Deedy解释道：「根据网上的这些信息和传闻：『草莓』将通过在响应空间中使用搜索技术来改进推理，其推理时间计算为10到20秒。」
而这，正是这项研究所解释的内容。
参考资料：
