报告主题：
LLM Inference Scaling Law | 大模型的推理标度率与计算最优推理
报告日期：
10月17日（周四）14:30-15:30
报告要点:
近期，随着o1的问世，学术界对推理时计算（inference-time compute）的关注显著增加。
推理时计算已被证明是除训练以外提升模型性能的有效途径。
本报告将介绍我们于8月初完成的工作——《An Empirical Analysis of Compute-Optimal Inference for Problem-Solving with Language Models》。
该研究系统地分析了大语言模型在推理任务上的推理标度率（inference scaling law），揭示了模型性能与推理计算量、模型规模及推理策略之间的关系。
我们进一步提出了“计算最优推理”这一新问题：在给定的固定计算资源下，通过引入更复杂的推理方法和选择合适的模型规模，最大化模型的推理性能。除常规的投票方法和蒙特卡罗树搜索（MCTS）外，我们还提出了全新的推理策略 REBASE，其在多种任务上展现出较投票和MCTS更优的计算效果和性能表现。
伍垟圳，清华大学在读姚班本科生。本科期间在卡耐基梅隆大学语言技术研究所(LTI)访问研究，导师是Yiming Yang和Sean Welleck。曾获Kaggle首届人工智能数学奥林匹克第二名。
扫码报名
