哈嘍！伙伴們，我是小智，你們的AI向?qū)?。歡迎來(lái)到每日的AI學(xué)習(xí)時(shí)間。今天，我們將一起深入AI的奇妙世界，探索“清華上交大研究：RL助大模型套公式，難提升真推理”，并學(xué)會(huì)本篇文章中所講的全部知識(shí)點(diǎn)。還是那句話“不必遠(yuǎn)征未知，只需喚醒你的潛能！”跟著小智的步伐，我們終將學(xué)有所成，學(xué)以致用，并發(fā)現(xiàn)自身的更多可能性。話不多說(shuō)，現(xiàn)在就讓我們開(kāi)始這場(chǎng)激發(fā)潛能的AI學(xué)習(xí)之旅吧。

清華上交大研究：RL助大模型套公式，難提升真推理：

清華和上交的最新論文中，上演了一場(chǎng) “學(xué)術(shù)打假” 的戲碼。文中研究者們對(duì)當(dāng)前 “純 RL 有利于提升模型推理能力” 的主流觀點(diǎn)提出了相反的意見(jiàn)。

通過(guò)一系列實(shí)驗(yàn)，他們證明引入強(qiáng)化學(xué)習(xí)的模型在某些任務(wù)中的表現(xiàn)，竟然不如未使用強(qiáng)化學(xué)習(xí)的模型。

論文批判性地探討了 RLVR 在提升 LLM 推理能力方面的作用，尤其是在賦予模型超越自身原有能力方面，效果可能并非像人們普遍認(rèn)為的那樣“無(wú)懈可擊”。

消息一出，網(wǎng)友們紛紛下場(chǎng)站隊(duì)。

有人認(rèn)為這篇文章抓住了 RL 自身的漏洞，雖然提高了采樣效率，但它似乎在推理方面存在不足，未來(lái)我們需要新的方法來(lái)釋放 LLM 的全部潛力。

也有人表示，或許強(qiáng)化學(xué)習(xí)實(shí)際上限制了模型開(kāi)發(fā)新推理行為的能力。真正的推理增強(qiáng)可能需要蒸餾等方法。

質(zhì)疑聲之外，RL 的追隨者也在為“信仰”發(fā)聲：這種說(shuō)法是錯(cuò)的，驗(yàn)證遠(yuǎn)比生成簡(jiǎn)單的多。

也有網(wǎng)友表示，這更像是獎(jiǎng)勵(lì)結(jié)構(gòu)的缺陷，而非 RLVR 本身的問(wèn)題。如果用二元獎(jiǎng)勵(lì)結(jié)構(gòu)，出現(xiàn)這種情況可以理解。但我們可以調(diào)整獎(jiǎng)勵(lì)結(jié)構(gòu)來(lái)緩解這個(gè)問(wèn)題，甚至還能激勵(lì)更好的推理。

1.強(qiáng)化學(xué)習(xí)：擅長(zhǎng)加速，不擅長(zhǎng)開(kāi)路

實(shí)驗(yàn)中，研究人員在三個(gè)具有代表性的領(lǐng)域進(jìn)行了實(shí)驗(yàn)，來(lái)評(píng)估 RLVR 對(duì)基礎(chǔ)模型和 RLVR 模型的推理能力邊界的影響。

在數(shù)學(xué)任務(wù)實(shí)驗(yàn)中，研究團(tuán)隊(duì)在 GSM8K、MATH500 和 AIME24 等基準(zhǔn)上評(píng)估了多個(gè)大語(yǔ)言模型系列（如 Qwen-2.5 和 LLaMA-3.1）及其經(jīng)過(guò) RL 訓(xùn)練的變體。他們通過(guò)分析 pass@k 曲線，比較了基礎(chǔ)模型與 RL 模型的表現(xiàn)，發(fā)現(xiàn)雖然 RL 在低 k 值下提升了模型的準(zhǔn)確性，但在高 k 情況下卻顯著降低了問(wèn)題的覆蓋范圍。

此外，研究者還手動(dòng)審查了模型生成的 CoT（Chain of Thought）推理過(guò)程，以確認(rèn)正確答案是推理得出而非純屬運(yùn)氣。最后，他們還研究了采用 Oat-Zero 方法訓(xùn)練的模型，并對(duì)數(shù)據(jù)集進(jìn)行了過(guò)濾，剔除容易猜測(cè)的問(wèn)題，從而聚焦于更具挑戰(zhàn)性的樣本。

整體結(jié)果顯示，盡管 RL 能在初始準(zhǔn)確率上帶來(lái)提升，基礎(chǔ)模型在推理覆蓋率方面仍表現(xiàn)更為穩(wěn)健。

在編碼任務(wù)實(shí)驗(yàn)中，研究團(tuán)隊(duì)在 LiveCodeBench、HumanEval+ 和 MBPP+ 等基準(zhǔn)上評(píng)估了源自 Qwen2.5-7B-Instruct-1M 的 RLVR 訓(xùn)練模型 CodeR1-Zero-Qwen2.5-7B。他們通過(guò) pass@k 指標(biāo)來(lái)衡量性能，并根據(jù)預(yù)定義的測(cè)試用例評(píng)估模型的正確性。

結(jié)果顯示，RLVR 提升了單樣本 pass@1 的分?jǐn)?shù)，但在較高采樣數(shù)（k = 128）時(shí)，模型的覆蓋率有所下降。與此相比，原始模型在較大 k 值下表現(xiàn)出了持續(xù)改進(jìn)的潛力，而 RLVR 的性能則趨于平穩(wěn)。這表明，盡管 RLVR 提高了模型的確定性準(zhǔn)確性，但在探索多樣性方面存在一定的限制。

在視覺(jué)推理實(shí)驗(yàn)中，研究團(tuán)隊(duì)在過(guò)濾后的視覺(jué)推理基準(zhǔn)（MathVista 和 MathVision）上評(píng)估了 Qwen-2.5-VL-7B，刪除了多項(xiàng)選擇題，聚焦于穩(wěn)健的問(wèn)題解決能力。RLVR 在視覺(jué)推理任務(wù)中的表現(xiàn)提升與數(shù)學(xué)和編碼基準(zhǔn)中的改進(jìn)相一致，表明原始模型已能夠解決廣泛的問(wèn)題，即便是在多模態(tài)任務(wù)中也同樣如此。

跨領(lǐng)域的一致性表明，RLVR 提升了模型的推理能力，同時(shí)并未從根本上改變模型的問(wèn)題解決策略。

2.推理能力的邊界

使用單次通過(guò)的成功率或平均核采樣衡量模型推理能力邊界的傳統(tǒng)指標(biāo)存在重要缺陷。如果模型在少數(shù)幾次嘗試后未能解決難題，但卻本可以通過(guò)更多次的采樣獲得成功，此時(shí)其真實(shí)推理潛力可能會(huì)被低估。

如果為基礎(chǔ)模型投入大量采樣資源，它的性能能否與經(jīng)過(guò)強(qiáng)化學(xué)習(xí)訓(xùn)練的模型相匹配？

為精準(zhǔn)評(píng)估大語(yǔ)言模型的推理能力邊界，研究團(tuán)隊(duì)將代碼生成領(lǐng)域常用的pass@k指標(biāo)拓展至所有可驗(yàn)證獎(jiǎng)勵(lì)的任務(wù)。針對(duì)一個(gè)問(wèn)題，從模型中采樣k個(gè)輸出，若至少一個(gè)樣本通過(guò)驗(yàn)證，該問(wèn)題的pass@k 值為1，否則為0。數(shù)據(jù)集上的平均 pass@k 值反映了模型在 k 次試驗(yàn)內(nèi)可解決的數(shù)據(jù)集問(wèn)題比例，能嚴(yán)格評(píng)估 LLM 的推理能力覆蓋范圍。

直接按問(wèn)題采樣k個(gè)輸出計(jì)算pass@k可能導(dǎo)致高方差。他們采用無(wú)偏估計(jì)法，對(duì)評(píng)估數(shù)據(jù)集D中的每個(gè)問(wèn)題生成 n 個(gè)樣本（n ≥ k），統(tǒng)計(jì)正確樣本數(shù)。對(duì)于使用編譯器和預(yù)定義單元測(cè)試用例作為驗(yàn)證器的編碼任務(wù)，pass@k 值能準(zhǔn)確反映模型是否能解決問(wèn)題。

然而，隨著 k 增大，數(shù)學(xué)問(wèn)題中 “黑客” 行為可能凸顯，即模型可能生成錯(cuò)誤的推理過(guò)程，卻在多次采樣中偶然得出正確答案，這一情況常被以往指標(biāo)忽視。為此，他們篩選出易被 “黑客” 攻克的問(wèn)題，并手動(dòng)檢查部分模型輸出的 CoT 正確性。結(jié)合這些措施，他們嚴(yán)格評(píng)估了 LLM 的推理能力極限。

3.當(dāng)強(qiáng)化學(xué)習(xí)不再“強(qiáng)化”

清華與上交的這篇論文，為當(dāng)前業(yè)界廣泛推崇的強(qiáng)化學(xué)習(xí)范式敲響了警鐘。讓我們不得不重新思考強(qiáng)化學(xué)習(xí)在大模型訓(xùn)練流程中的真正角色。

我們也不能將模型的“能力”與“效率”混為一談。能力，指的是模型是否擁有解決某類問(wèn)題的潛質(zhì)與邏輯鏈條；效率，則是在給定的能力范圍內(nèi)，模型能以多快、多穩(wěn)、多省資源的方式得出答案。

強(qiáng)化學(xué)習(xí)或許確實(shí)能夠提升模型在已有能力基礎(chǔ)上的輸出表現(xiàn)（比如在低采樣次數(shù)下更快給出正確答案），但這并不代表它為模型帶來(lái)了新的推理路徑或更復(fù)雜問(wèn)題的解決能力。相反，在高采樣場(chǎng)景中，RL 帶來(lái)的“收斂性”可能犧牲了答案的多樣性，從而錯(cuò)失了解決更多難題的機(jī)會(huì)。

強(qiáng)化學(xué)習(xí)更像是一種能力調(diào)控器，而非能力創(chuàng)造器。它可以讓模型更擅長(zhǎng)做已經(jīng)能做的事，但難以讓模型做出“原本不會(huì)的事”。正因如此，若將 RL 簡(jiǎn)單視為提升模型通用智能的萬(wàn)能鑰匙，未免過(guò)于樂(lè)觀。接下來(lái)的技術(shù)路線，可能需要更多關(guān)注基礎(chǔ)模型在表示能力、知識(shí)組織與推理路徑構(gòu)建等方面的設(shè)計(jì)，而非過(guò)度依賴下游的策略微調(diào)。

總的來(lái)說(shuō)，這項(xiàng)研究的意義不在于“RL 無(wú)用”的結(jié)論，而在于它揭示了在過(guò)熱預(yù)期背后，強(qiáng)化學(xué)習(xí)真正適用的邊界。這或許會(huì)促使研究者和企業(yè)在制定大模型優(yōu)化方案時(shí)，回歸問(wèn)題本質(zhì)，用更清晰的標(biāo)準(zhǔn)衡量“能力的提升”究竟意味著什么。

嘿，伙伴們，今天我們的AI探索之旅已經(jīng)圓滿結(jié)束。關(guān)于“清華上交大研究：RL助大模型套公式，難提升真推理”的內(nèi)容已經(jīng)分享給大家了。感謝你們的陪伴，希望這次旅程讓你對(duì)AI能夠更了解、更喜歡。謹(jǐn)記，精準(zhǔn)提問(wèn)是解鎖AI潛能的鑰匙哦！如果有小伙伴想要了解學(xué)習(xí)更多的AI知識(shí)，請(qǐng)關(guān)注我們的官網(wǎng)“AI智研社”，保證讓你收獲滿滿呦！