一年之内，大模型推理训练可能就会撞墙。

以上结论来自Epoch AI。

这是一个专注于人工智能研究和基准测试的非营利组织，之前名动一时的FrontierMath基准测试（评估AI模型数学推理能力）就出自它家。

与之伴随而来的还有另一个消息：

如果推理模型保持「每3-5个月都以10倍速度增长」，那么推理训练所需的算力可能会大幅收敛。

就像DeepSeek-R1之于OpenAI o1-preview那样。

看了这个结果，有围观网友都着急了：

既然在o3基础上再scaling非常困难，那为啥咱不探索模块化架构或针对特定任务的专用模型呢？“效率”比“研究过剩”更重要！

推理训练还有scalable的空间

OpenAI的o1是推理模型的开山之作。

和o3、DeepSeek-R1等一样，它们从传统的大语言模型发展而来，在预训练阶段使用了大量人类数据进行训练，然后在强化学习阶段（也就是所谓的第二阶段），根据解题的反馈来改进自己的推理能力。

虽然推理模型已经成为了很多AI使用者的实用帮手，但关于推理训练所需算力的公开信息非常少，大概只有以下这些：

OpenAI表示，与o1相比，训练o3所需的算力提升了10倍——提升部分几乎都花在了训练阶段。

OpenAI没有公开o1、o3的具体细节，但可以从DeepSeek-R1、微软Phi-4-reasoning、英伟达Llama-Nemotron等其它推理模型。它们所需的推理训练阶段算力耕地，但可以根据它们进行推演。

Anthropic的创始人兼CEO Dario Amodei曾针对推理模型有过一篇公开文章。

然后就没有然后了……

根据现有的信息和资料，Epoch AI进行了总结和分析。

首先，OpenAI公开过这样一张图表，上面展示了o3和o1在AIME基准测试中的表现，以及两者在推理训练阶段可能所需的算力的对比——

可以看到，终版o3花费的算力是o1的10倍。

Epoch AI分析道：“x轴很可能显示的是推理训练所需算力而不是总算力。”

Epoch AI罗列了这一猜测的证据。

第一，初代o1耗费的算力比o3低四个数量级，其在AIME上的得分约为25%。

如果x轴表示总计算量，“不太可能呈现这种情况”。

第二，如果x轴表示的是所需总算力，这张图意义就不大了。

因为这就意味着OpenAI训练了N个版本的o1，且预训练阶段非常不完整。

依照Epoch AI的猜测，如果o3在推理结算花费的算力是o1的10倍，这意味着什么？

由于很多推理模型背后团队都学精了，并不公开训练方法和过程，所以只能从现有公开资料里去寻找答案。

比如DeepSeek-R1。

Epoch AI此前估算，DeepSeek-R1推理训练中使用的算力约为6e23 FLOP（成本约 100 万美元），需要生成大约 20万亿个tokens——这只有DeepSeek-V3预训练成本的20%。

虽然只是一种估算，但R1在各个榜单上的得分和o1非常接近，“因此可以用它来为o1所需算力设定一个baseline”。

比如英伟达的Llama-Nemotron Ultra，它在各个基准上的分数与DeepSeek-R1和o1相当。

它是在DeepSeek-R1生成的数据上训练的。

公开信息显示，Llama-Nemotron Ultra的推理阶段耗时140000 H100小时，约等于1e23 FLOP。这甚至低于它的原始基础模型预训练成本的1%。

再比如微软的Phi-4-reasoning。

它是在o3-mini生成的数据上训练的。

Phi-4-reasoning在推理阶段规模更小，成本低于1e20 FLOP，可能是预训练所需算力成本的<0.01%。

值得注意的是，Llama-Nemotron和Phi-4-reasoning都在RL阶段之前进行了有监督微调。

咱们再来看看今年1月DeepSeek-R1发布后，Anthropic的CEODario Amodei写的一篇文章，这被视为关于现有推理模型所需算力规模的最后一点线索：

由于这是新范式，我们目前仍处于规模拓展的初期阶段：所有参与者在第二阶段投入的资金量都很少，花费从10万美元提高到100万美元就能带来巨大收益。如今，各公司正迅速加快步伐，将第二阶段的规模扩大到数亿乃至数十亿美元。有一点必须重视，那就是我们正处于一个独特的转折点上。

当然了，Amodei对非Anthropic模型所需算力的看法可能只基于自家公司内部数据。

但可以清晰了解，截至今年1月，他认为推理模型的训练成本远低于“数千万美元”，大于1e26 FLOP。

Epoch AI总结道——

上述的预估和线索指向一个事实，那就是目前最前沿的推理模型，比如o1，甚至o3，它们的推理训练规模都还没见顶，还能继续scalable。

但1年内可能就撞墙了

换句话说，如果推理训练还没见顶，那么推理模型还是有潜力在短期内快速实现能力拓展的。

这就意味着，推理模型还很能打，潜力巨大。

就像OpenAI展示出的下图，以及DeepSeek-R1论文中的图2一样——模型答题准确率随着推理训练步骤的增加而大致呈对数线性增长。

这表明，至少在数学和编程任务上，推理模型的性能随着推理训练的扩展而增强，就像预训练的scaling law一样。

行文至此处，Epoch AI写下这样一段话：

如果推理阶段的算力需求见顶，那么其带来的增长率将收敛，大概是每年增长4倍。绝不会像o1推出后4个月就有了o3那样，保持几个月增长10倍的态势。

因此，他得出这样一个结论——

如果一个推理模型的训练阶段仅比前沿推理模型低几个（比如说少于三个）数量级，这种增长率可能在一、两年内减缓，甚至撞墙。

然鹅，想要扩展推理模型并不是那么简单的。

单单是数据不够这一项，就可能导致其停滞不前。

大家也都还不清楚，除了数学、编程领域，推理训练是否能泛化到其它规律性没那么强的领域。

但可以肯定的是，随着推理模型的训练越来越成熟，所有推理模型所需的成本可能都趋同。

虽然研究成本的高低并不影响算力和性能之间的关系，但如果相关研究保持“花钱如流水”的状态，那么推理模型可能无法达到人们心中预期的最佳水平。

另一方面，即使所需算力的增长速度放缓，推理模型也可能持续进化，就像R1那样。

换句话说，不只有数据或算法创新能推动推理模型的进步，算力大增也是推动推理模型进步的关键因素。

参考链接：https://epoch.ai/gradient-updates/how-far-can-reasoning-models-scale

本文来自微信公众号“量子位”，作者：关注前沿科技，36氪经授权发布。