SFT并非必需！推理模型仅靠RL就能获得长思维链能力，清华CMU团队破解黑盒

DeepSeek-R1慢思考、长推理的表现，展现了训练步骤增加，会导致长CoT的涌现。

它通过模拟人类思维逐步推导答案，提升了AI大模型的推理能力和可解释性。

但长CoT的触发条件是什么？怎么做能优化它？像个黑盒，还没研究明白。

来自清华、CMU和IN.AI的研究团队，近期专门探究了长CoT在大模型中的工作机制和优化策略。

先把该研究得出的4点发现给大家呈上来：

• SFT并非必需，但能简化训练并提高效率；
• 推理能力随着训练计算的增加而出现，但并非总是如此；
• 可验证奖励函数对增长CoT至关重要；
• 纠错等核心能力基础模型天生自带，但通过RL有效地激励这些技能需要大量的计算。

这篇论文开始被网友疯转，并被感慨道：这可太酷啦！

还有网友表示，不出所料，奖励函数果然很重要～

从SFT和RL两方面研究长CoT

研究团队明确表示：

我们的目标是揭开大模型中长CoT推理的神秘面纱。
通过系统分析和消融，提取关键见解，并提供实用策略来增强和稳定其性能。

团队采用了2款基础模型：

• Llama-3.1-8B：来自Meta，是具有代表性的通用模型。
• Llama-3.1-8B：来自阿里通义，是具有代表性的数学专业模型。

同时采用了4个代表性推理基准：

MATH-500、AIME 2024、TheoremQA和MMLU-Pro-1k。

默认情况下，温度t=0.7、顶部−p值=0.95，最大输出长度=16384 tokens。

而具体过程，从SFT（监督微调）和RL（强化学习）两方面下手。

研究人员默认使用MATH的7500个训练样本提示集来提供可验证的真值答案。

SFT对长CoT的影响

团队首先探究了SFT对长CoT的影响。

通过在长CoT数据上进行SFT，模型能够学习到更复杂的推理模式。

但目前而言，短CoT更为常见，这就意味着针对其收集SFT数据相对简单。

鉴于此，团队选择用阿里通义的QwQ-32B-Preview来提炼长CoT，用阿里通义的Qwen2.5-Math-72B-Struct来提炼短CoT。

具体来说，研究人员先对每个prompt的N个候选响应进行采样，然后筛选出具有正确答案的响应。

对于长CoT，使用N∈{32, 64, 128, 192, 256}；对于短CoT，使用N∈{32, 64, 128, 256}，（此处为了提高效率跳过了一个N）。

在每种情况下， SFT标记的数量都与N成正比。

如下图虚线所示，随着扩大SFT的token，对长CoT进行SFT，会继续提高模型准确性；而对短CoT来说，SFT带来的效益在很早就达到饱和。

譬如在MATH-500上，长CoT SFT的准确率超过70%，tokens达到3.5B时仍然没有进入瓶颈期。

相比之下，短CoT SFT的tokens从约0.25B增加到1.5B，准确率仅产生了3%的增长。

实验结果显示，长CoT SFT能够显著提高模型的性能上限。

而且，在达到更高性能的同时，还有比短CoT更高的性能拓展空间。

RL对长CoT的影响

由于业内普遍认为RL的上限高于SFT，团队将长CoT和短CoT视为针对RL的不同SFT初始化方法进行比较。

研究人员使用SFT检查点来初始化RL，并训练了四个epoch，每个prompt生成四个响应。

此外，团队把PPO和来自MATH数据集的基于规则的验证器训练拆分，作为RL的提示集。

具体结果同样在下图中显示出来：

图中实线和虚线之间的间隙表明，使用长CoT SFT初始化的模型通常可以通过RL进一步显著改进，而使用短CoT SFT初始化的模型从RL中获得的收益很小。

例如，在MATH-500上，RL可以将长CoT SFT模型绝对改进3%以上，而短CoT SFT模型在RL前后的精度几乎相同。

需要注意的是，RL并不总是能够稳定地扩展思维链的长度和复杂性。

为此，研究团队引入了一种带有重复惩罚的余弦长度缩放奖励机制，有效稳定了思维链的增长，并鼓励模型在推理过程中进行分支和回溯。

整理长CoT数据

除上述研究外，为了整理长CoT数据，研究团队比较了两种方法。

一种是通过提示短CoT模型，生成原始动作，并按顺序组合它们，以此构建长CoT轨迹。

另一种是从现有的长CoT模型中提炼出长CoT轨迹——这些模型表现出涌现长CoT（emergent long CoT）。

结果表明，从涌现长CoT模式中提炼出来的模型，比构建的模式泛化得更好，并且可以用RL进一步显著改进。

在构建模式上训练的模型则不能做到这一点。

此外，由于DeepSeek-R1已经证明，在基础模型上扩展RL计算可以出现长CoT，自我验证行为有时会被模型的探索标记为紧急行为或 “顿悟时刻”。

这种模式在短CoT数据中很少见，但研究人员注意到，有时基座模型已经存在自我验证行为，而用RL强化这些行为需要严苛的条件。

如下图所示，Qwen2.5Math-7B的RL有效地提高了准确性，但没有增加基础模型输出中存在的 “recheck” 模式的频率，也没有有效地激励其他反射模式，如 “retry” 和 “alternatively”。

这表明尽管提高性能效果显著，但来自基座模型的RL不一定会激励反射模式。

四个关键发现

在系统性研究了长CoT推理的机制后，团队提出了4个关键发现。

第一，SFT并非必需，但能简化训练并提高效率。

虽然SFT并非训练长CoT的必要条件，但它能够有效地初始化模型，并为后续的RL训练提供坚实的基础。

第二，推理能力随着训练计算的增加而出现，但并非总是如此。

长CoT的出现并非必然，且朴素的RL方法并不总是能有效地延长CoT长度。

需要通过奖励塑造等技巧来稳定CoT长度的增长，团队的做法是引入了一种余弦长度缩放奖励，并加入了重复惩罚，这既平衡了推理深度，又防止了无意义的长度增加。

第三，可验证奖励函数对CoT扩展至关重要。

由于高质量、可验证数据稀缺，扩展可验证奖励函数对RL至关重要。

论文探索了利用网络提取的包含噪声解决方案的数据，并发现这种“银色”监督信号在RL中展现出巨大的潜力，尤其是在处理OOO任务（如STEM推理）时。

第四，基模型中天生存在错误修正和回溯等技能，但通过RL有效地激励这些技能需要大量的计算。

而测量这些能力的出现需要更精细的方法，需要谨慎设计RL激励。

最后，研究团队提出了几个未来的研究方向，包括：

扩大模型规模、改进RL基础设施、探索更有效的验证信号以及深入分析基础模型中的潜在能力。

这些方向有望进一步推动长CoT在大模型中的应用。

参考链接：
[1]https://arxiv.org/abs/2502.03373 [2]https://x.com/omarsar0/status...

— 完 —