不蒸餾R1也能超越DeepSeek，上海AILab用RL突破數學推理極限

書理投稿自凹非寺

量子位 | 公眾號 QbitAI

僅透過強化學習，就能超越DeepSeek！

上海AI Lab提出了基於結果獎勵的強化學習新正規化——

從Qwen2.5-32B-Base模型出發，僅透過微調和基於結果反饋的強化學習，在不蒸餾超大模型如DeepSeek-R1的情況下，就能超越DeepSeek-R1-Distill-Qwen32B和OpenAI-O1系列的超強數學推理效能。

團隊發現，當前大模型數學推理任務面臨”三重門”困局：

稀疏獎勵困境：最終答案對錯的二元反饋，使複雜推理的最佳化變得困難
區域性正確陷阱：長思維鏈中部分正確步驟反而可能誤導模型學習
規模依賴魔咒：傳統蒸餾方法迫使研究者陷入”引數規模軍備競賽”

因此，研究團隊重新審視了當前基於結果獎勵的強化學習演算法，經過嚴格的理論推導與證明，重新設計了一個新的結果獎勵強化學習演算法，並在這個過程中得出了三點重要結論：

對於正樣本：在二元反饋環境下，透過最佳軌跡取樣（BoN）的行為克隆即可學習最優策略
對於負樣本：需要使用獎勵重塑來維護策略最佳化目標的一致性
對於長序列：不同的序列部分對結果的貢獻不同，因此需要更細粒度的獎勵分配函式，這個函式可以透過結果獎勵習得

通俗來說，就是透過對正確樣本模仿學習，錯誤樣本偏好學習，關鍵步驟重點學習，無需依賴超大規模的模型（例如DeepSeek-R1）進行蒸餾，僅透過強化學習即可達到驚人的效果。

除此之外，團隊也對不同起點模型進行了強化學習訓練對比和分析，發現強化學習的起點模型和訓練資料分佈對最終的模型效果也很重要。因此，研究團隊將RL訓練的資料、起點和最終模型一起完整開源，來推動社群的公平比較和進一步研究。專案連結已放文末。

從頭設計結果獎勵強化學習

針對數學推理任務中強化學習面臨的稀疏獎勵和區域性正確難題，團隊提出新的策略最佳化框架OREAL。

透過理論創新實現針對性的演算法改進，在用實驗說明“怎麼做更好”之前，首先論證“為什麼這麼做更好”

正負樣本獎勵重塑，解決稀疏獎勵困境

在數學推理任務的取樣流程中，團隊經過理論分析推導，提出核心見解：在二元反饋機制下，取樣任意數量包含正確答案的BoN（Best-of-N）設定，其正確軌跡的分佈具有一致性特徵。這一發現表明，透過直接行為克隆（behaviorcloning）取樣得到的正確軌跡，已經構成了正樣本訓練中的最優設定。

在對正樣本做模仿學習的基礎上，團隊提出直接懲罰負樣本會導致梯度偏差問題，對負樣本的訓練原則應當是維護最佳化梯度形式與學習BoN分佈一致。透過深入分析正負樣本的訓練梯度，研究者們提出了基於平均準確率p的獎勵重塑因子來維護上述一致性，為GRPO等演算法的改進提供了理論依據。這種設定使模型既能有效吸收成功經驗，又能精確識別關鍵錯誤邊界，對訓練效能有明顯幫助。

結果獎勵「因果溯源」，跳出區域性正確陷阱

針對複雜的長推理鏈問題，OREAL創新性地設計了token重要性估計器。透過構建序列累計形式的獎勵函式，我們將結果獎勵逆向分解到每個推理步驟（見下面的token-level RM熱力圖）。這種方法能夠精確定位核心錯誤步驟，在訓練時實現更精細的梯度更新，顯著提升了模型在長序列任務中的表現。

OREAL框架

將幾項認知組合起來，團隊提出的最優強化學習策略可以概括為：

在正確樣本上模仿學習，在錯誤樣本上偏好學習，對關鍵步驟做重點學習。

透過合理的分析和實踐，一步步將強化學習效能推到最佳水平。

強化學習超越蒸餾，擺脫規模依賴魔咒

團隊在7B和32B兩個規模的模型上僅使用4千條高質量訓練樣本進行了訓練和測試，

在7B量級上，Oreal-7B在MATH-500上取得了91.0的pass@1準確率。這是首次透過強化學習而非蒸餾方法達到了如此高的精度。這一成績不僅為基於RL的方法樹立了新的里程碑，還超越了更大引數量的模型，包括QWQ-32B-Preview和OpenAI-O1-Mini。

此外，將Oreal應用於此前最佳的7B模型（DeepSeek-r1-Distill-Qwen-7B）後，得到的新模型OREAL-DSR1-Distill-Qwen-7B在MATH-500上取得了94.0的pass@1精度，創下了7B模型的記錄。千問的基座，經過DeepSeek的蒸餾訓練，再經過上海AI Lab的強化學習訓練，達到了中國原創新高度。

對於32B模型，Oreal-32B在MATH-500上也達到了95.0的分數，超越了同級別的DeepSeek-r1-Distill-Qwen-32B，實現32B模型的新SOTA。

One More Thing

最後，研究團隊還對比了不同基座模型下的效能表現，發現不同效能起點的策略模型RL後效能上限是不同的，起點模型越強，RL後的效能越好。

並且，儘管在多個基座模型上，大部分benchmark效能都會在RL後有所提升，偶爾也會出現持平（OREAL-32B在AIME2025-I）或者效能下降（相比於DSR1-Distill-Qwen-7B在AIME2024）。

研究認為，這些情況的出現可能與訓練語料的質量、難度和數量等方面準備的不夠充分有關，這也給未來的研究留下了空間。

因此，除了強大的RL演算法，團隊還提出兩個關鍵因素對於RL在數學推理任務中的成功至關重要：

強大的起點模型是RL可以有效激發模型潛在能力的前提。

在RL階段使用的資料也必須在質量、難度、數量和多樣性方面都得到充分保證。高質量的資料集能夠讓模型透過面對廣泛的挑戰和學習機會，充分發揮其潛力。

模型資料全面開源，助力強化學習研究

研究團隊同時也注意到，儘管DeepSeek-R1的出現引發了社群對於大語言模型強化學習的學習和研究熱情，大家使用的訓練起點模型、訓練資料、訓練演算法和超參細節都不盡相同，影響了演算法和模型效能的清晰比較。

因此，研究團隊將整個RL訓練過程中用到的訓練資料、起點模型和RL後模型都進行了全面開源，訓練程式碼也將開源到XTuner。

歡迎下載體驗：

專案連結：
https://github.com/InternLM/OREAL
論文地址：
https://arxiv.org/abs/2502.06781
RL 訓練資料鏈接：
https://huggingface.co/datasets/internlm/OREAL-RL-Prompts
系列模型地址：
https://huggingface.co/collections/internlm/oreal-67aaccf5a8192c1ba3cff018

— 完 —

投稿請工作日發郵件到：

[email protected]

標題註明【投稿】，告訴我們：

你是誰，從哪來，投稿內容

附上論文/專案主頁連結，以及聯絡方式哦

我們會（儘量）及時回覆你