上海交大研究LLM强化学习：Llama与Qwen差异及OctoThinker新突破

在人工智能领域，大型语言模型（LLM）正通过结合任务提示与强化学习（RL）技术，在复杂推理任务上取得显著进展。Deepseek-R1-Zero等模型直接将强化学习应用于基础模型，展现出卓越的推理能力。然而，这一成功并未能在所有基础模型系列中轻松复制，尤其是在Llama系列模型上。Mfo28资讯网——每日最新资讯28at.com

OpenAI的GPT-o1、o3以及DeepSeek的R1等模型，在竞赛级数学问题上通过大规模强化学习取得了重大突破，推动了对于小型模型（参数少于千亿）强化学习能力的探索。但这些进展大多局限于Qwen模型系列，难以在Llama等模型上重现。预训练流程的缺乏透明度，使得理解预训练如何影响强化学习的扩展变得颇具挑战性。一些非传统研究发现，一次性提示可以增强Qwen的推理能力，但对Llama模型效果有限。尽管OpenWebMath、MathPile等项目致力于构建高质量的数学预训练语料库，但其规模依然有限。Mfo28资讯网——每日最新资讯28at.com

上海交通大学的研究人员针对Qwen和Llama模型，深入探究了中期训练策略对强化学习动态的影响。他们发现，高质量的数学语料库，如MegaMath-Web-Pro，能够同时提升基础模型和强化学习的效果。使用问答式数据，特别是包含长链式推理（Chain-of-Thought, CoT）的数据，可以进一步增强强化学习的效果。然而，长CoT也会在强化学习训练中引入冗长性和不稳定性。研究还发现，在中期训练中应用扩展可以提升下游强化学习的性能。Mfo28资讯网——每日最新资讯28at.com

基于这些发现，研究人员提出了一种名为“稳定-衰减”的两阶段中期训练策略。他们首先使用2000亿个token训练基础模型，然后在三个以CoT为中心的分支上使用200亿个token进行训练。这一策略成功生成了具有强大强化学习兼容性的OctoThinker模型。Mfo28资讯网——每日最新资讯28at.com

在强化学习配置和基准评估方面，研究人员使用MATH8K数据集进行训练提示，配置包括全局训练批次大小128、每个查询16个rollout响应以及PPO最小批次大小64。实验在Llama-3.2-3B-Base和Qwen2.5-3B-Base模型上进行。在评估中，基础语言模型采用少样本提示，而强化学习调优模型则在GSM8K、MATH500、OlympiadBench和AMC23等指标任务上采用零样本提示。Mfo28资讯网——每日最新资讯28at.com

在强化学习训练期间，Qwen模型的响应长度持续增加并保持在合理范围内，而Llama模型则表现出异常行为，平均响应长度飙升至4096个token。评估结果显示，强化学习调优后的Qwen2.5-3B在各个基准测试中均有所提升，而Llama-3.2-3B的提升则微乎其微。Mfo28资讯网——每日最新资讯28at.com

OctoThinker模型在强化学习兼容性方面表现优异。在13个数学基准测试中，每个OctoThinker分支都比原始Llama基础模型提升了10%-20%，并且在所有规模的稳定阶段模型上都取得了持续提升。OctoThinker-Zero系列在强化学习扩展过程中展现出多样化的思维行为，其中OctoThinker-Long变体表现尤为出色。在比较三个3B规模基础模型时，OctoThinker-Long-3B的表现优于原始Llama-3.2-3B模型，并与以强大推理能力和广泛预训练而闻名的Qwen2.5-3B模型达到相近的性能水平。混合分支和短分支的性能略低，尤其是在更具挑战性的基准测试中。Mfo28资讯网——每日最新资讯28at.com

举报 0收藏 0打赏 0评论 0分享 0  更多>同类资讯MIT新研究：AI写作工具使用或致大脑活跃度下滑07-03SciArena平台亮相：科研人员亲测，大语言模型科学文献任务表现大比拼07-03谷歌发布Gemini for Education：免费AI工具助力全球教育创新与公平07-03荣耀总裁方飞：苹果入局折叠屏，是激励也是新起点07-03OpenAI坚持英伟达与AMD，暂不全面采用谷歌TPU芯片07-03Crunchyroll新动画字幕出错，疑似AI生成引热议，观众呼吁保证创作质量07-03三星Galaxy Z Fold新机：7月9日震撼发布，16GB+1TB高配来袭现在的手游和应用不断升级，对配置的要求越来越高，所以不少品牌推出自研芯片、性能引擎、算法等方面，进一步优化性能，提升新机体验。新机也被官方称为三星超轻薄折叠旗舰，看来今年的新折叠屏不断追求轻薄，甚至是与直板机…07-03荣耀Magic V5震撼发布：轻薄折叠旗舰，搭载6100mAh大电池与骁龙8至尊芯片荣耀Magic V5采用全新AI交互方式，以更轻薄的折叠旗舰形态与行业领先的AI智能体实力，释放PC级生产力，开启智能交互体验的全新想象，用科技拓宽一小时的生命宽度，带来一辈子的温暖陪伴。荣耀正式宣布支持MC…07-03中国移动新动作：九天人工智能科技公司成立，注册资本高达20亿07-03荣耀Magic V5震撼发布：轻薄折叠旗舰，搭载6100mAh大电池与骁龙8至尊版07-03荣耀Magic V5深度评测：轻薄新纪录，AI折叠屏新标杆在多设备联动上，荣耀MagicV5还可以自家的大屏PC、智能手表、智能耳机等智能联动，不仅支持手表解锁手机功能以及一键锁定手表，并支持双向查找，AI体验同步流转，在荣耀手表5 Ultra上，也可以直接唤醒…07-02荣耀Magic V5震撼发布：纤薄新纪录，满血配置售价8999元起7月2日，荣耀推出了新一代旗舰大折叠手机——荣耀Magic V5，这款手机不仅再创多项大折叠手机纤薄世界纪录，还具有大折叠满血配置，并将AI与手机深度融合，搭载更为智慧化的使用方式。在护眼方面，此前在荣耀直板…07-02荣耀Magic V5评测：轻薄新巅峰，全能AI折叠屏旗舰重塑标准在多设备联动上，荣耀MagicV5还可以自家的大屏PC、智能手表、智能耳机等智能联动，不仅支持手表解锁手机功能以及一键锁定手表，并支持双向查找，AI体验同步流转，在荣耀手表5 Ultra上，也可以直接唤醒…07-02荣耀Magic V5震撼登场：纤薄新纪录，满血配置，售价8999元起7月2日，荣耀推出了新一代旗舰大折叠手机——荣耀Magic V5，这款手机不仅再创多项大折叠手机纤薄世界纪录，还具有大折叠满血配置，并将AI与手机深度融合，搭载更为智慧化的使用方式。在护眼方面，此前在荣耀直板…07-02荣耀Magic V5深度评测：轻薄新标杆，AI折叠屏的全面进化07-02点击查看更多 +全站最新2025云手机市场风向：蜂窝云手机以高性价比全场景方案领跑2025年云手机推荐：五大品牌性能比拼，性价比之选揭晓宇宙信使：揭秘玻璃陨石的奥秘与魅力2025上半年机票均价740元，暑运旺季来临价格上扬至839元美波音737客机飞行中襟翼掉落 疑似坠入居民区车道美波音737客机飞行中襟翼掉落 疑似坠入居民区车道热门内容

• 高考志愿填报热潮中，夸克“深度搜索”成考生新宠，人均使用4次寻建议
• 马斯克宣布Grok 4大模型即将面世，或专为编程打造
• 高考志愿填报热潮下，夸克“深度搜索”助力考生，人均使用达4次
• 中国知网CNKI AI：重塑知识服务新生态，四大核心力引领未来
• 苹果AI「Apple Intelligence」国行版，终于要来了吗？
• QQ浏览器AI高考通新上线：智能生成高考志愿报告，助你科学填报！
• 火山引擎PromptPilot：一键优化指令，解锁AI大模型新效能
• 阿里领投硅基流动，清华系AI创企再获数亿融资，DeepSeek流量爆棚后新动作？
• 夸克高考志愿大模型上线，让每个考生拥有自己的AI志愿填报顾问！
• 字节跳动火山引擎发布豆包1.6与Seedance1.0，AI技术再升级成本大降
• 优志愿鸿蒙版上线，AI智能填报高考志愿，科学规划升学新路径
• 英伟达揽才：清华“天才少年”朱邦华携手焦剑涛加盟
• 淘天集团RecGPT大模型上线，电商推荐迎来个性化新升级
• 斯坦福评测：DeepSeek R1医疗AI大放异彩，成临床场景新冠军
• 《Artificial》今夏开机，揭秘OpenAI 2023年CEO罢免又复职风波

本栏最新三星Galaxy Z Fold新机：7月9日震撼发布，16GB+1TB高配来袭荣耀Magic V5震撼发布：轻薄折叠旗舰，搭载6100mAh大电池与骁龙8至尊芯片中国移动新动作：九天人工智能科技公司成立，注册资本高达20亿荣耀Magic V5震撼发布：轻薄折叠旗舰，搭载6100mAh大电池与骁龙8至尊版荣耀Magic V5深度评测：轻薄新纪录，AI折叠屏新标杆荣耀Magic V5震撼发布：纤薄新纪录，满血配置售价8999元起

本文链接：http://www.28at.com/showinfo-45-14352-0.html上海交大研究LLM强化学习：Llama与Qwen差异及OctoThinker新突破

声明：本网页内容旨在传播知识，若有侵权等问题请及时与本网联系，我们将在第一时间删除处理。邮件：2376512515@qq.com

上一篇： 荣耀Magic V5震撼发布：续航与轻薄双赢，友商折叠屏面临新挑战

下一篇： MIT新研究：AI写作工具使用或致大脑活跃度下滑