当前位置：首页 > news >正文

弹性Reasoning！通过RL训练控制推理预算，提升模型的推理能力和效率！

news 来源：原创 2025/7/22 12:52:27

摘要：大型推理模型（LRMs）通过生成扩展的思维链（CoT）在复杂任务上取得了显著进展。然而，它们不受控制的输出长度对于实际部署构成了重大挑战，在实际部署中，对令牌、延迟或计算的推理时间预算有严格的限制。我们提出了弹性推理，这是一种可扩展的思维链的新框架，它明确地将推理分为两个阶段——思考和解决，并分配独立的预算。在测试时，弹性推理优先考虑解决方案部分的完整性，在资源紧张的情况下显著提高了可靠性。为了训练对截断思考具有鲁棒性的模型，我们引入了一种轻量级的预算受限的滚动策略，集成到GRPO中，该策略教导模型在思考过程被截断时适应性地推理，并在没有额外训练的情况下有效地泛化到未见过的预算限制。在数学（AIME，MATH500）和编程（LiveCodeBench，Codeforces）基准上的实证结果表明，弹性推理在严格的预算限制下表现出色，同时比基线方法承担显著更低的训练成本。值得注意的是，我们的方法即使在不受限制的环境中也能产生更简洁高效的推理。

本文目录

一、背景动机

二、核心贡献

三、实现方法

3.1 推理模型架构

3.2 分离预算（Separate Budgeting）

3.3 预算约束的 rollout 策略

四、实验结果

4.1 数学推理任务

4.2 代码推理任务

五、局限性

六、总结

一、背景动机

论文题目：Scalable Chain of Thoughts via Elastic Reasoning

论文地址：https://arxiv.org/pdf/2505.05315

大模型推理通过思维链在复杂任务上取得了显著进展。然而，这些模型在推理时生成的输出长度往往不受控制，这在实际部署中带来了显著挑战，因为推理时间、计算量或内存等资源通常是严格受限的。

为了应对这一挑战，目前主流的方法如下：

Long2Short：通过强化学习或压缩感知微调来减少推理长度，但这种方法通常会显著降低性能。
长度控制：通过引入特殊标记（如“Wait”或“Final Answer”）来控制推理长度，但这种方法也会导致性能下降。

这些方法虽然在一定程度上解决了问题，但仍然存在训练成本高、性能下降等问题。因此，该文章提出了一种新的方法——Elastic Reasoning，旨在通过分离推理过程为“思考”和“解决方案”两个阶段，并为每个阶段分配独立的预算，从而实现更灵活和高效的推理。

二、核心贡献

1、提出 Elastic Reasoning 框架，其通过将推理过程分为“思考”和“解决方案”两个阶段，并为每个阶段分配独立的预算，显著提高了在严格资源约束下的推理性能。

2、提出预算分离的推理策略，将总预算 ( c ) 分为两部分：思考预算 ( t ) 和解决方案预算 ( s )，其中 ( c = t + s )。在推理过程中，模型在思考阶段使用 ( t ) 个标记，然后强制终止并进入解决方案阶段，使用 ( s ) 个标记生成解决方案。

三、实现方法

3.1 推理模型架构

推理模型生成的输出包括两个部分

思考部分（Thinking Segment）：包含中间推理步骤，用特殊标记 <think> 和 </think> 包裹。
解决方案部分（Solution Segment）：包含最终解决方案。

3.2 分离预算（Separate Budgeting）

在推理时，模型首先在 <think> 块中生成思考部分，直到达到预算 ( t )。
如果模型在达到预算 ( t ) 之前发出 </think>，则立即进入解决方案阶段。
如果预算 ( t ) 用完仍未发出 </think>，则强制终止推理并附加 </think>，然后生成解决方案部分，最多使用 ( s ) 个标记。

3.3 预算约束的 rollout 策略

使用 GRPO 算法进行强化学习训练，模拟推理时的分离预算过程。
在训练过程中，模型在预算 ( t^* ) 内生成思考部分，如果发出 </think> 则继续生成解决方案部分，否则强制附加 </think> 并生成解决方案部分。
优化目标是最大化期望奖励：
使用 GRPO 的梯度估计器进行优化。

四、实验结果

4.1 数学推理任务

E1-Math-1.5B 在 AIME2024 数据集上实现了 35.0% 的准确率，相比 L1-Max 的 27.1% 和 L1-Exact 的 24.2% 有显著提升，同时训练步骤更少。
在 MATH500 数据集上，E1-Math-1.5B 实现了 83.6% 的准确率，使用 1619 个标记，而 L1-Exact 和 L1-Max 分别使用 1959 和 1796 个标记，准确率分别为 79.9% 和 83.6%。
在无约束设置中，E1-Math-1.5B 的性能优于所有基线方法，平均标记使用量减少了 30% 以上。

4.2 代码推理任务

E1-Code-14B 在 LiveCodeBench 数据集上表现出色，随着推理预算的增加，性能稳步提升。

在 Codeforces 上，E1-Code-14B 实现了 1987 的评分，排名在 96.0 百分位，与 O1-2024-12-17 (Low) 的 1991 评分和 96.1 百分位相当。
在无约束设置中，E1-Code-14B 的性能提升了 0.3%，同时标记使用量减少了 37.4%。

五、局限性

1、训练预算特定性：文章发现，使用不同的思考预算 ( t* ) 对模型性能有显著影响。虽然 ( t* = 1K ) 在实验中表现最佳，但这一选择可能需要根据具体任务进行调整。

2、拓展性有限：文章尝试了迭代训练，即在初始训练后使用更大的预算进行进一步训练，但发现这并没有提升性能，反而略有下降。这表明一旦模型学会了在较短预算下有效推理，进一步增加预算可能不会带来额外的好处。

六、总结

Elastic Reasoning 提供了一种在严格推理时间约束下实现可扩展推理链的有效方法。通过分离推理过程为“思考”和“解决方案”两个阶段，并为每个阶段分配独立的预算，该方法不仅提高了在资源受限环境下的推理性能，还减少了推理时的标记使用量，同时保持了较高的推理质量。此外，Elastic Reasoning 在无约束设置中也表现出色，生成的推理链更加简洁高效。

一、背景动机

二、核心贡献

三、实现方法

3.1 推理模型架构

3.2 分离预算（Separate Budgeting）

3.3 预算约束的 rollout 策略

四、实验结果

4.1 数学推理任务

4.2 代码推理任务

五、局限性

六、总结

相关文章：