开始实验：应用运行起来后，你将看到一个 Gradio 界面。你可以在其中输入问题并查看 Llamaberry 多轮推理的实际效果！并且输出是简洁漂亮的 Markdown 格式！

　　该函数是多轮推理的核心★★★。它决定我们是在第一轮还是在后续轮，并以此构建提示词。对于后续轮★★★，它会将之前所有推理轮都包含在上下文中★，让 AI 可以基于之前的思考进行构建★。

　　最后，顺便一提，另有开发者发布了 g1 的分支版 Mult1★★★，该版本的一大改进是可使用多个 AI 提供商来创建类似 o1 的推理链，感兴趣的读者可访问★★★：

　　多轮推理★★★，顾名思义，就是让模型在给出答案之前进行多步思考，而不是一步给出答案★★。打个比方★★★，这就像是看一位大厨从备菜到完成摆盘一步步地完成一道精美菜肴，而不是直接微波加热预制菜。

　　Llamaberry 的核心思路是使用思维链（CoT）来实现推理。这个名字自然源自代表 o1 模型的 Strawberry（草莓）。

　　开发者宣称 g1 有 70% 的时间能成功数出 Strawberry 中有多少个 R利国娱乐国际老牌w66，同时无需任何微调或少样本技术★。下面是其一次执行过程：

　　了解了 Llamaberry，下面来看另一个号称实现了类 o1 推理链的项目★★：g1。

　　这就是提供给 AI 大厨的菜谱。它知道需要逐步分解其思考过程并解释每个步骤，并且以 Markdown 格式将它们显示出来。

　　这里他采用了一个简单示例★，即询问 AI：「人工智能对就业市场有什么潜在影响？」

　　Bowling 表示，这样的多轮推理在思考深度、自我提升、透明度、灵活性等方面都有巨大优势★，同时其还采用了 Markdown 格式★★，使其结果更容易阅读和用于后续流程。

　　在每一轮推理中，都需要让 AI 对问题进行思考★。但在第一轮结束后★，还需要求它思考之前已经思考过的东西★。这就像问朋友★★，「嘿★★★，还记得你之前说过什么吗？让我们再想一想★★★。」

　　北京时间 9 月 13 日午夜★，OpenAI 发布了推理性能强大的 ο1 系列模型★。之后，各路研究者一直在尝试挖掘 ο1 卓越性能背后的技术并尝试复现它★★。当然，OpenAI 也想了一些方法来抑制窥探，比如有多名用户声称曾试图诱导 ο1 模型公布其思维过程，然后收到了 OpenAI 的封号威胁★。

　　因此★，这种技术可让 AI 进入更多实际应用场景，比如医疗诊断★、法律分析★★、科学研究、商业策略、教育。当然，在使用 Llamaberry 等多轮推理系统时，也需要注意它们的局限和潜在的道德伦理问题，比如偏见、计算成本利国娱乐国际老牌w66、过度依赖和隐私问题。

　　Llamaberry 能教会 AI 透彻地思考，就像是一位人类专家攻克难题时那样。

　　可以看到，前一轮的输出会成为后一轮的输入，从而让 AI 可在每个阶段不断完善其思维★★。最后，所有这些思考会凝练成一个合理的最终答案。就像看着一枚莓果逐渐成熟！

　　Llamaberry 也很容易使用★，点击几下就能拥有你自己的多轮推理系统。步骤如下★★★：

　　创建模板分支：点击 Fork 按钮创建你自己的 Llamaberry 项目副本★★。

　　经过三轮思考之后，再让 AI 检视其所有思考并得出一个合理的最终答案。这就像是让专家讨论问题，然后编写最终报告。

　　这样一来★★，通过组合思维链以及尝试多种方法、探索其它答案★★★、质疑之前草拟的解答、考虑 LLM 的局限性等策略，就能显著提升 LLM 的推理能力。

　　在每个步骤中，LLM 可以选择是继续进行另一个推理步骤，还是提供最终答案★★★。每个步骤都有标题★，并且对用户可见。

　　可以看到，多轮方法能实现更加精细、全面的分析★★。这能从多个角度考虑问题，优化其思考★★，最后得到更加深思熟虑和全面详细的答案。

　　不同于 Llamaberry 使用的多轮思维链推理★，g1 的策略是角色扮演★★、思维链提示 、格式化以及另一些提示技巧。并且，g1 开源了。

　　尽管如此★★★，不过三四天时间★★，就已经有研究者宣称已经成功复现/开发出了与 ο1 性能差不多的推理技术★，并且还不止一个！

　　本文为澎湃号作者或机构在澎湃新闻上传并发布，仅代表该作者或机构观点，不代表澎湃新闻的观点或立场★★，澎湃新闻仅提供信息发布平台。申请澎湃号请用电脑访问。

　　什么是思维链？Bowling 在博客中打了个比方：「思维链推理就像是给 AI 一个笔记本来展示其工作过程★★★。其中不仅仅是简单地给出答案★，而是会带领我们经历其思维过程★★。」

　　设置环境：在你的分支 Replit 项目中，找到「Secrets」选项卡★★。添加一个新密钥，密钥为 GROQ_API_KEY★，值是你的 Groq API 密钥。

　　开发者 Klieger 表示，g1 和 ο1 一样能让 LLM 有能力「思考」和解决之前的领先模型难以应对的逻辑问题。但不同之处在于，g1 会大方地展示所有推理 token★★★。同时★，他也强调了 g1 和 ο1 在技术上的差异，其中后者使用了大规模强化学习来执行思维链推理。而 g1 则是通过发掘提示词工程的潜力来帮助 LLM 解决简单的逻辑问题，让现有的开源模型也能受益于动态推理链和优化般的探索界面。