微软提出 Logic-RL：基于规则的强化学习释放大语言模型推理能力

❝

更多 LLM 架构文章点击查看：
LLM 架构专栏
 大模型架构专栏文章阅读指南
 1. AI 智能体，颠覆还是赋能？一文读懂！
2. 1W8000 字解锁 AI 高效运作密码：工作流与智能体如何协同？
3. 万字深度剖析 AI 代理：类型、应用及优势与局限全解析
 4. 1W5000 字深度剖析大模型 Agent 框架
 5. Agent 系列 1W 字用 Python 从零搭建 AI 智能体

在大推理模型中，基于规则的强化学习（RL）潜力几何？今天咱们就来深入探讨一篇与之相关的研究。研究人员选用合成逻辑谜题作为训练数据，这是因为其复杂度可控，答案验证也简单直接。

研究发现，参数量 70 亿的模型在训练后，发展出了反思、验证和总结等先进推理技能，而这些技能在原始逻辑语料库中是不存在的。令人惊喜的是，仅在 5000 道逻辑题上训练后，该模型就在具有挑战性的数学基准测试 AIME 和 AMC 中展现出了泛化能力。

下面，就为大家详细解读这项研究中的有趣发现。

更长的回复不一定意味着更好的推理：回复长度并不能作为衡量训练效果的有效指标，最有效的推理往往来自最短路径。
语言混合会阻碍推理：这一现象表明，在奖励建模中需要引入语言一致性惩罚机制。
增加 "思考" 标记有帮助：强化学习训练会自然提高与反思相关词汇的出现频率，这显示出某些标记的频率与模型表现之间存在关联。
监督微调（SFT）靠记忆，强化学习能泛化：监督微调严重依赖记忆，常导致表面的捷径学习；而强化学习能自我进化，对数据集结构的依赖极小。
冷启动是加分项，但不是必需的：无论从基础模型还是指令模型开始训练，训练动态都惊人地相似，不过指令模型表现稍好。
课程学习仍然重要：在固定的数据整理比例下，精心设计的课程学习方法总是优于随机打乱数据的方式。

数据合成

"骑士与无赖（K&K）" 谜题是通过算法生成的推理数据集。在这些谜题中，角色要么是骑士（总是说真话），要么是无赖（总是说谎）。玩家需要根据角色的陈述来判断每个角色的身份。这个数据集有以下几个显著特点：

程序生成：谜题由逻辑模板系统生成，既保证了一致性，又具有无限的可变性。而且，这些谜题对原始模型来说是全新的数据，非常适合测试模型的泛化能力。
可控的难度级别：谜题难度可以精确调整，便于设计课程学习策略。通过改变角色数量（2 - 8 个）和逻辑运算的复杂度（1 - 4 种布尔运算符组合）来调节难度。更复杂的谜题还能作为分布外测试，检验在简单谜题上训练的模型的泛化能力。
易于验证：每个谜题都有唯一确定的正确答案，生成算法保证了答案的正确性。解题需要严格的演绎推理，能准确评估模型的回答，降低奖励作弊的风险。

基于规则的奖励建模

在监测模型输出的作弊行为过程中，研究人员不断迭代优化奖励设计，最终形成了两种类型的奖励。

格式奖励 ：利用正则表达式提取，强制模型采用结构化的回复格式。模型需要将推理过程放在 <think></think>标签内，最终结论放在 <answer></answer>标签内。在提示末尾直接加上 <think>标签，能显著降低基础模型遵循指令的难度。

在早期不完善的规则设计下，出现了一系列问题： - 跳过<think></think>过程直接回答。 - 在<answer></answer>标签内进行推理。 - 反复猜测答案，没有合理推理。 - 除了给出答案，还包含不相关的内容。 - 以错误的方式组织正确答案，导致无法提取。 - 由于推理不充分，在输出<answer>后又回到思考阶段。 - 重复原始问题或使用 "思考过程在此" 之类的短语来避免真正的推理。

针对这些问题，研究人员不断改进规则设计。例如，每个标签只能出现一次且顺序正确，思考过程必须包含真正的推理，结论要以可提取且易读的方式呈现。通过这些约束，模型的不同行为会根据对格式的遵守程度获得相应奖励。

答案奖励：在格式验证通过后，检查模型的答案是否与正确答案匹配。

实验设置

实验最初选用 Qwen2.5 系列的多个模型作为潜在基线候选。比如，Qwen2.5 - Math - 7B 模型生成 Python 代码块的倾向很强，这常常与严格的格式要求冲突。尽管研究人员尝试通过去除系统提示和惩罚特定的 Markdown 样式来缓解这一问题，但仍难以完全解决。

随后，对 Qwen2.5--7B-Base 和 Qwen2.5--7B-Instruct 模型进行测试。令人惊讶的是，在强化学习训练过程中，基础模型和指令模型的训练指标几乎相同，包括验证准确率、回复长度增长曲线和奖励曲线。不过，指令模型的测试准确率略高，因此成为更优选择。

评估

不同模型在 K&K 逻辑谜题上的表现：研究人员对比了推理模型和通用模型在不同难度的 K&K 逻辑谜题上的表现。尽管训练数据集仅包含不到 5000 个 3 - 7 人 K&K 逻辑谜题的合成样本，但模型在分布外（OOD）场景（如 8 人谜题）中展现出了惊人的泛化能力。
回复长度的变化：在强化学习训练 1000 步后，模型输出的平均长度从最初的 500 个标记几乎线性稳定增长到 2000 个标记，增长了 4 倍。随着回复长度增加，模型开始表现出更复杂的行为，如反思和探索其他解决方案。
研究问题相关评估
- RQ 1：GRPO 与其他强化学习算法相比如何？：在训练速度、准确率和奖励增益方面（通过滑动窗口 = 50 取平均值）进行比较，近端策略优化算法（PPO）达到了最高的准确率和奖励，但训练速度比 REINFORCE++慢 138%。REINFORCE++在稳定性、性能提升和训练效率方面均优于广义策略优化算法（GRPO），在几乎所有指标上都超过了 GRPO，而 GRPO 在这三种算法中表现最差。
- RQ 2：特定的思考标记和语言混合现象会提高推理能力吗？：语言混合会显著降低推理能力。像"wait""verify""yet""re - evaluate"等词汇能显著提升推理能力，但并非所有复杂思考标记都有此效果，例如"recheck"。"recheck"会明显降低推理能力，可能是因为它表明模型对自己的答案不确定。"re - evaluate"和"reevaluate"也有明显差异，前者能带来更高的答案得分，而后者会降低得分。从原始回复来看，"reevaluate"几乎从未出现，"re - evaluate"则频繁出现，这可能意味着模型对在预训练语料库中出现频率更高的词汇更适应。
- RQ 3：训练过程中会出现 "顿悟时刻" 吗？：通过跟踪前 1800 个训练步骤中词汇的频率发现，复杂推理行为（自我反思、探索、验证、总结）在训练过程中逐渐出现，早在第 10 步就已显现，并没有出现某个突然的 "顿悟时刻" 使这些行为突然出现。
- RQ 4：模型能泛化到分布外（OOD）任务吗？：研究人员在 AIME 2021 - 2024 和 AMC 2022 - 2023 数据集上测试模型性能，这些数据集因其具有挑战性和问题的多样性被视为 "超级分布外" 测试。模型展现出了强大的超级分布外泛化能力，在 AIME 数据集上性能提升了 125%，在 AMC 数据集上提升了 38%。强化学习过程不仅提高了模型在分布内的性能，还促进了强大且可迁移的推理策略的发展，模型的推理技能能够超越训练数据的特定模式，凸显了强化学习在更广泛泛化方面的潜力。
- RQ 5：监督微调（SFT）和强化学习（RL）哪个泛化能力更好？：研究人员在原始训练数据和略有扰动的数据上评估模型性能，使用了两种扰动类型：改变陈述的布尔逻辑和重新排列陈述顺序。结果表明，监督微调（以 RFT 为代表）具有更高的记忆得分，对扰动更敏感，说明它只是表面上适应训练数据格式；而强化学习的记忆得分较低，但对未见过的测试数据泛化能力更好，意味着它具有更强的推理能力，对表面模式的依赖更少，更鼓励独立探索，从而实现更好的泛化。
- RQ 6：课程学习在强化学习中仍然必要吗？：对比课程学习和混合难度训练的测试分数发现，在训练中期，课程学习的测试分数略高，但随着时间推移，这种优势逐渐减弱，几乎可以忽略不计。在训练早期，两者的性能差异在统计上可以忽略不计，对初始收敛影响不大。虽然课程学习在样本效率上可能有微弱的理论优势，但由于在实际应用中性能差异极小，且分阶段训练增加了复杂性，其实际必要性值得商榷。
- RQ 7：更长的回复长度能保证更好的推理吗？：研究人员对比了两个使用相同算法和基础模型，但超参数和数据集难度不同的模型：正例模型（蓝色，回复长度随时间减少）和负例模型（红色，回复长度随时间增加）。正例模型尽管回复长度减少，但验证准确率和奖励都有所提高，推理和泛化能力更好；负例模型回复长度增加，验证准确率和奖励却没有提升，这表明回复长度本身并不能提升推理能力。回复长度的变化更可能是训练动态（如强化学习动态）的副产品，而非推理能力提升的直接原因。从统计数据来看，没有显著证据表明回复长度的增加幅度与推理性能的提升成正比。更长的回复不一定意味着更好的推理，虽然推理能力的提升可能会导致更详细、更长的解释，但人为增加回复长度并不一定能提高性能。

论文链接：Logic - RL: Unleashing LLM Reasoning with Rule - Based Reinforcement Learning 2502.14768^[1]

微软提出 Logic-RL：基于规则的强化学习释放大语言模型推理能力

数据合成

基于规则的奖励建模

实验设置

评估

推荐阅读