当前位置：首页 > news >正文

跨域视角下强化学习重塑大模型推理：GURU框架与多领域推理新突破

news 来源：原创 2025/6/23 15:34:03

跨域视角下强化学习重塑大模型推理：GURU框架与多领域推理新突破

大语言模型（LLM）推理能力的提升是AI领域的重要方向，强化学习（RL）为此提供了新思路。本文提出的GURU框架，通过构建跨领域RL推理语料库，系统性地重新审视了RL在LLM推理中的应用，在多个推理任务上实现性能突破，为通用推理研究带来新启示。

论文标题
Revisiting Reinforcement Learning for LLM Reasoning from A Cross-Domain Perspective

来源
arXiv:2506.14965v1 [cs.LG] + https://arxiv.org/abs/2506.14965

PS: 整理了LLM、量化投资、机器学习方向的学习资料，关注同名公众号「亚里随笔」即刻免费解锁

文章核心

研究背景

近年来，强化学习（RL）已成为提升大语言模型（LLM）推理能力的重要技术，OpenAI-O3、DeepSeek-R1 等前沿模型通过 RL 在数学、代码等领域展现出卓越性能。然而，当前开源社区的 RL 研究高度集中于数学与代码单域，导致两方面局限：其一，对 RL 在推理中的作用机制理解片面，现有结论（如 “RL 仅激发预训练知识”）可能无法推广至其他领域；其二，模型泛化能力受限，单域训练的模型在逻辑、模拟等未覆盖任务中性能显著衰减。核心瓶颈在于跨域 RL 所需的可靠奖励信号与高质量数据集的缺失，亟需系统性的多域研究来拓展通用推理边界。

研究问题

跨域Reward信号缺失：缺乏可靠且可扩展的跨领域RL奖励信号设计，导致模型难以在数学、代码之外的逻辑、模拟等领域有效学习。
pretraining偏见制约：现有研究认为RL主要激发预训练模型的潜在知识，但未明确不同领域在pretraining中的覆盖差异如何影响RL效果。
模型泛化能力局限：单一领域训练的模型在跨域任务中性能衰减显著，无法应对多样化推理场景。

主要贡献

构建跨域RL语料库GURU：整合数学、代码、科学、逻辑、模拟、表格6大领域92K可验证样本，通过领域特定奖励设计与去重过滤，为RL训练提供可靠数据基础。
揭示领域依赖的RL机制：发现pretraining高频领域（如数学、代码）可通过跨域RL获益，而低频领域（如逻辑、模拟）需域内训练才能提升，证明RL兼具知识激发与新技能习得双重作用。
训练通用推理模型GURU-7B/32B：在17项跨域任务中超越现有开源模型，7B模型较基线提升7.9%，32B提升6.7%，尤其在复杂约束任务（如Zebra Puzzle）中显著扩展推理边界。

方法论精要

核心框架与数据流程

采用“数据采集-去重-奖励设计-启发式过滤-难度筛选”五步流水线构建GURU数据集，每个领域设计专属验证规则（如数学符号匹配、代码执行验证、科学模型语义对齐）。

基于Qwen2.5-7B/32B基线，使用GRPO算法进行RL训练，混合域数据均匀采样，避免领域干扰。

关键参数与设计原理

奖励函数分类：数学/逻辑采用规则匹配（如\boxed{}格式提取答案），代码依赖执行验证（通过测试用例），科学借助1.5B验证模型进行语义评估。

难度过滤机制：通过弱模型（Qwen2.5-7B-Instruct）和强模型（Qwen3-30B-A8B）的通过率差筛选样本，剔除过易 $P_{weak}≥15/16)$ 或过难 $P_{strong}=0)$ 的噪声数据。

创新性技术组合

跨域迁移实验设计：对比单域与混合域训练效果，发现混合域训练在保持域内性能的同时，显著提升跨域泛化能力。

Pass@k分析框架：结合生成温度与top-p参数调整，揭示RL对模型推理空间探索的影响，如高温设置可缓解熵减导致的推理边界收缩。

实验验证逻辑

数据集：使用MATH500、HumanEval、ARC-AGI等17项基准，覆盖6大领域，离线评估生成4-32样本/问题，在线评估监控13项信号任务。

基线对比：General Reasoner、Open-Reasoner-Zero、SimpleRL等开源RL模型，均直接基于Qwen2.5基线训练以确保公平性。

实验洞察

性能优势

数学推理：GURU-32B在AIME24上Pass@32达34.89%，较ORZ-32B提升12.39%；MATH500准确率78.8%，超SimpleRL-32B约2.05%。
逻辑与模拟：Zebra Puzzle任务中，GURU-7B准确率39.4%，较基线ORZ-7B提升39.33%；CodeI/O模拟推理中，32B模型较SimpleRL-32B提升2.88%。
跨域泛化：混合域训练的模型在Tabular任务HiTab上准确率82.0%，较单域训练提升27.6%，验证多域数据的互补性。