DeepSeek-R1慢思考、長推理的表現，展現了訓練步驟增加，會導致長CoT的涌現。

它通過模擬人類思維逐步推導答案，提升了AI大模型的推理能力和可解釋性。

但長CoT的觸發條件是什么？怎么做能優化它？像個黑盒，還沒研究明白。

來自清華、CMU和IN.AI的研究團隊，近期專門探究了長CoT在大模型中的工作機制和優化策略。

先把該研究得出的4點發現給大家呈上來：

• SFT并非必需，但能簡化訓練并提高效率；
• 推理能力隨著訓練計算的增加而出現，但并非總是如此；
• 可驗證獎勵函數對增長CoT至關重要；
• 糾錯等核心能力基礎模型天生自帶，但通過RL有效地激勵這些技能需要大量的計算。

這篇論文開始被網友瘋轉，并被感慨道：這可太酷啦！

還有網友表示，不出所料，獎勵函數果然很重要～

從SFT和RL兩方面研究長CoT

研究團隊明確表示：

我們的目標是揭開大模型中長CoT推理的神秘面紗。
通過系統分析和消融，提取關鍵見解，并提供實用策略來增強和穩定其性能。

團隊采用了2款基礎模型：

• Llama-3.1-8B：來自Meta，是具有代表性的通用模型。
• Qwen2.5-7B-Math：來自阿里通義，是具有代表性的數學專業模型。

同時采用了4個代表性推理基準：

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

默認情況下，溫度t=0.7、頂部?p值=0.95，最大輸出長度=16384 tokens。

而具體過程，從SFT（監督微調）和RL（強化學習）兩方面下手。

研究人員默認使用MATH的7500個訓練樣本提示集來提供可驗證的真值答案。

SFT對長CoT的影響

團隊首先探究了SFT對長CoT的影響。

通過在長CoT數據上進行SFT，模型能夠學習到更復雜的推理模式。

但目前而言，短CoT更為常見，這就意味著針對其收集SFT數據相對簡單。

鑒于此，團隊選擇用阿里通義的QwQ-32B-Preview來提煉長CoT，用阿里通義的Qwen2.5-Math-72B-Struct來提煉短CoT。

具體來說，研究人員先對每個prompt的N個候選響應進行采樣，然后篩選出具有正確答案的響應。

對于長CoT，使用N∈{32, 64, 128, 192, 256}；對于短CoT，使用N∈{32, 64, 128, 256}，（此處為了提高效率跳過了一個N）。

在每種情況下， SFT標記的數量都與N成正比。

如下圖虛線所示，隨著擴大SFT的token，對長CoT進行SFT，會繼續提高模型準確性；而對短CoT來說，SFT帶來的效益在很早就達到飽和。

譬如在MATH-500上，長CoT SFT的準確率超過70%，tokens達到3.5B時仍然沒有進入瓶頸期。

相比之下，短CoT SFT的tokens從約0.25B增加到1.5B，準確率僅產生了3%的增長。

實驗結果顯示，長CoT SFT能夠顯著提高模型的性能上限。

而且，在達到更高性能的同時，還有比短CoT更高的性能拓展空間。

RL對長CoT的影響

由于業內普遍認為RL的上限高于SFT，團隊將長CoT和短CoT視為針對RL的不同SFT初始化方法進行比較。

研究人員使用SFT檢查點來初始化RL，并訓練了四個epoch，每個prompt生成四個響應。

此外，團隊把PPO和來自MATH數據集的基于規則的驗證器訓練拆分，作為RL的提示集。

具體結果同樣在下圖中顯示出來：

圖中實線和虛線之間的間隙表明，使用長CoT SFT初始化的模型通常可以通過RL進一步顯著改進，而使用短CoT SFT初始化的模型從RL中獲得的收益很小。

例如，在MATH-500上，RL可以將長CoT SFT模型絕對改進3%以上，而短CoT SFT模型在RL前后的精度幾乎相同。

需要注意的是，RL并不總是能夠穩定地擴展思維鏈的長度和復雜性。

為此，研究團隊引入了一種帶有重復懲罰的余弦長度縮放獎勵機制，有效穩定了思維鏈的增長，并鼓勵模型在推理過程中進行分支和回溯。

整理長CoT數據

除上述研究外，為了整理長CoT數據，研究團隊比較了兩種方法。

一種是通過提示短CoT模型，生成原始動作，并按順序組合它們，以此構建長CoT軌跡。

另一種是從現有的長CoT模型中提煉出長CoT軌跡——這些模型表現出涌現長CoT（emergent long CoT）。

結果表明，從涌現長CoT模式中提煉出來的模型，比構建的模式泛化得更好，并且可以用RL進一步顯著改進。

在構建模式上訓練的模型則不能做到這一點。

此外，由于DeepSeek-R1已經證明，在基礎模型上擴展RL計算可以出現長CoT，自我驗證行為有時會被模型的探索標記為緊急行為或 “頓悟時刻”。

這種模式在短CoT數據中很少見，但研究人員注意到，有時基座模型已經存在自我驗證行為，而用RL強化這些行為需要嚴苛的條件。

如下圖所示，Qwen2.5Math-7B的RL有效地提高了準確性，但沒有增加基礎模型輸出中存在的 “recheck” 模式的頻率，也沒有有效地激勵其他反射模式，如 “retry” 和 “alternatively”。

這表明盡管提高性能效果顯著，但來自基座模型的RL不一定會激勵反射模式。

四個關鍵發現

在系統性研究了長CoT推理的機制后，團隊提出了4個關鍵發現。

第一，SFT并非必需，但能簡化訓練并提高效率。

雖然SFT并非訓練長CoT的必要條件，但它能夠有效地初始化模型，并為后續的RL訓練提供堅實的基礎。

第二，推理能力隨著訓練計算的增加而出現，但并非總是如此。

長CoT的出現并非必然，且樸素的RL方法并不總是能有效地延長CoT長度。

需要通過獎勵塑造等技巧來穩定CoT長度的增長，團隊的做法是引入了一種余弦長度縮放獎勵，并加入了重復懲罰，這既平衡了推理深度，又防止了無意義的長度增加。

第三，可驗證獎勵函數對CoT擴展至關重要。

由于高質量、可驗證數據稀缺，擴展可驗證獎勵函數對RL至關重要。

論文探索了利用網絡提取的包含噪聲解決方案的數據，并發現這種“銀色”監督信號在RL中展現出巨大的潛力，尤其是在處理OOO任務（如STEM推理）時。

第四，基模型中天生存在錯誤修正和回溯等技能，但通過RL有效地激勵這些技能需要大量的計算。

而測量這些能力的出現需要更精細的方法，需要謹慎設計RL激勵。

最后，研究團隊提出了幾個未來的研究方向，包括：

擴大模型規模、改進RL基礎設施、探索更有效的驗證信號以及深入分析基礎模型中的潛在能力。

這些方向有望進一步推動長CoT在大模型中的應用。