在人工智能領域，大型語言模型（LLM）正通過結合任務提示與強化學習（RL）技術，在復雜推理任務上取得顯著進展。Deepseek-R1-Zero等模型直接將強化學習應用于基礎模型，展現出卓越的推理能力。然而，這一成功并未能在所有基礎模型系列中輕松復制，尤其是在Llama系列模型上。PO728資訊網——每日最新資訊28at.com

OpenAI的GPT-o1、o3以及DeepSeek的R1等模型，在競賽級數學問題上通過大規模強化學習取得了重大突破，推動了對于小型模型（參數少于千億）強化學習能力的探索。但這些進展大多局限于Qwen模型系列，難以在Llama等模型上重現。預訓練流程的缺乏透明度，使得理解預訓練如何影響強化學習的擴展變得頗具挑戰性。一些非傳統研究發現，一次性提示可以增強Qwen的推理能力，但對Llama模型效果有限。盡管OpenWebMath、MathPile等項目致力于構建高質量的數學預訓練語料庫，但其規模依然有限。PO728資訊網——每日最新資訊28at.com

上海交通大學的研究人員針對Qwen和Llama模型，深入探究了中期訓練策略對強化學習動態的影響。他們發現，高質量的數學語料庫，如MegaMath-Web-Pro，能夠同時提升基礎模型和強化學習的效果。使用問答式數據，特別是包含長鏈式推理（Chain-of-Thought, CoT）的數據，可以進一步增強強化學習的效果。然而，長CoT也會在強化學習訓練中引入冗長性和不穩定性。研究還發現，在中期訓練中應用擴展可以提升下游強化學習的性能。PO728資訊網——每日最新資訊28at.com

基于這些發現，研究人員提出了一種名為“穩定-衰減”的兩階段中期訓練策略。他們首先使用2000億個token訓練基礎模型，然后在三個以CoT為中心的分支上使用200億個token進行訓練。這一策略成功生成了具有強大強化學習兼容性的OctoThinker模型。PO728資訊網——每日最新資訊28at.com

在強化學習配置和基準評估方面，研究人員使用MATH8K數據集進行訓練提示，配置包括全局訓練批次大小128、每個查詢16個rollout響應以及PPO最小批次大小64。實驗在Llama-3.2-3B-Base和Qwen2.5-3B-Base模型上進行。在評估中，基礎語言模型采用少樣本提示，而強化學習調優模型則在GSM8K、MATH500、OlympiadBench和AMC23等指標任務上采用零樣本提示。PO728資訊網——每日最新資訊28at.com

在強化學習訓練期間，Qwen模型的響應長度持續增加并保持在合理范圍內，而Llama模型則表現出異常行為，平均響應長度飆升至4096個token。評估結果顯示，強化學習調優后的Qwen2.5-3B在各個基準測試中均有所提升，而Llama-3.2-3B的提升則微乎其微。PO728資訊網——每日最新資訊28at.com

OctoThinker模型在強化學習兼容性方面表現優異。在13個數學基準測試中，每個OctoThinker分支都比原始Llama基礎模型提升了10%-20%，并且在所有規模的穩定階段模型上都取得了持續提升。OctoThinker-Zero系列在強化學習擴展過程中展現出多樣化的思維行為，其中OctoThinker-Long變體表現尤為出色。在比較三個3B規模基礎模型時，OctoThinker-Long-3B的表現優于原始Llama-3.2-3B模型，并與以強大推理能力和廣泛預訓練而聞名的Qwen2.5-3B模型達到相近的性能水平。混合分支和短分支的性能略低，尤其是在更具挑戰性的基準測試中。PO728資訊網——每日最新資訊28at.com

舉報 0收藏 0打賞 0評論 0分享 0  更多>同類資訊MIT新研究：AI寫作工具使用或致大腦活躍度下滑07-03SciArena平臺亮相：科研人員親測，大語言模型科學文獻任務表現大比拼07-03谷歌發布Gemini for Education：免費AI工具助力全球教育創新與公平07-03榮耀總裁方飛：蘋果入局折疊屏，是激勵也是新起點07-03OpenAI堅持英偉達與AMD，暫不全面采用谷歌TPU芯片07-03Crunchyroll新動畫字幕出錯，疑似AI生成引熱議，觀眾呼吁保證創作質量07-03三星Galaxy Z Fold新機：7月9日震撼發布，16GB+1TB高配來襲現在的手游和應用不斷升級，對配置的要求越來越高，所以不少品牌推出自研芯片、性能引擎、算法等方面，進一步優化性能，提升新機體驗。新機也被官方稱為三星超輕薄折疊旗艦，看來今年的新折疊屏不斷追求輕薄，甚至是與直板機…07-03榮耀Magic V5震撼發布：輕薄折疊旗艦，搭載6100mAh大電池與驍龍8至尊芯片榮耀Magic V5采用全新AI交互方式，以更輕薄的折疊旗艦形態與行業領先的AI智能體實力，釋放PC級生產力，開啟智能交互體驗的全新想象，用科技拓寬一小時的生命寬度，帶來一輩子的溫暖陪伴。榮耀正式宣布支持MC…07-03中國移動新動作：九天人工智能科技公司成立，注冊資本高達20億07-03榮耀Magic V5震撼發布：輕薄折疊旗艦，搭載6100mAh大電池與驍龍8至尊版07-03榮耀Magic V5深度評測：輕薄新紀錄，AI折疊屏新標桿在多設備聯動上，榮耀MagicV5還可以自家的大屏PC、智能手表、智能耳機等智能聯動，不僅支持手表解鎖手機功能以及一鍵鎖定手表，并支持雙向查找，AI體驗同步流轉，在榮耀手表5 Ultra上，也可以直接喚醒…07-02榮耀Magic V5震撼發布：纖薄新紀錄，滿血配置售價8999元起7月2日，榮耀推出了新一代旗艦大折疊手機——榮耀Magic V5，這款手機不僅再創多項大折疊手機纖薄世界紀錄，還具有大折疊滿血配置，并將AI與手機深度融合，搭載更為智慧化的使用方式。在護眼方面，此前在榮耀直板…07-02榮耀Magic V5評測：輕薄新巔峰，全能AI折疊屏旗艦重塑標準在多設備聯動上，榮耀MagicV5還可以自家的大屏PC、智能手表、智能耳機等智能聯動，不僅支持手表解鎖手機功能以及一鍵鎖定手表，并支持雙向查找，AI體驗同步流轉，在榮耀手表5 Ultra上，也可以直接喚醒…07-02榮耀Magic V5震撼登場：纖薄新紀錄，滿血配置，售價8999元起7月2日，榮耀推出了新一代旗艦大折疊手機——榮耀Magic V5，這款手機不僅再創多項大折疊手機纖薄世界紀錄，還具有大折疊滿血配置，并將AI與手機深度融合，搭載更為智慧化的使用方式。在護眼方面，此前在榮耀直板…07-02榮耀Magic V5深度評測：輕薄新標桿，AI折疊屏的全面進化07-02點擊查看更多 +全站最新2025云手機市場風向：蜂窩云手機以高性價比全場景方案領跑2025年云手機推薦：五大品牌性能比拼，性價比之選揭曉宇宙信使：揭秘玻璃隕石的奧秘與魅力2025上半年機票均價740元，暑運旺季來臨價格上揚至839元美波音737客機飛行中襟翼掉落 疑似墜入居民區車道美波音737客機飛行中襟翼掉落 疑似墜入居民區車道熱門內容

• 高考志愿填報熱潮中，夸克“深度搜索”成考生新寵，人均使用4次尋建議
• 馬斯克宣布Grok 4大模型即將面世，或專為編程打造
• 高考志愿填報熱潮下，夸克“深度搜索”助力考生，人均使用達4次
• 中國知網CNKI AI：重塑知識服務新生態，四大核心力引領未來
• 蘋果AI「Apple Intelligence」國行版，終于要來了嗎？
• QQ瀏覽器AI高考通新上線：智能生成高考志愿報告，助你科學填報！
• 火山引擎PromptPilot：一鍵優化指令，解鎖AI大模型新效能
• 阿里領投硅基流動，清華系AI創企再獲數億融資，DeepSeek流量爆棚后新動作？
• 夸克高考志愿大模型上線，讓每個考生擁有自己的AI志愿填報顧問！
• 字節跳動火山引擎發布豆包1.6與Seedance1.0，AI技術再升級成本大降
• 優志愿鴻蒙版上線，AI智能填報高考志愿，科學規劃升學新路徑
• 英偉達攬才：清華“天才少年”朱邦華攜手焦劍濤加盟
• 淘天集團RecGPT大模型上線，電商推薦迎來個性化新升級
• 斯坦福評測：DeepSeek R1醫療AI大放異彩，成臨床場景新冠軍
• 《Artificial》今夏開機，揭秘OpenAI 2023年CEO罷免又復職風波

本欄最新三星Galaxy Z Fold新機：7月9日震撼發布，16GB+1TB高配來襲榮耀Magic V5震撼發布：輕薄折疊旗艦，搭載6100mAh大電池與驍龍8至尊芯片中國移動新動作：九天人工智能科技公司成立，注冊資本高達20億榮耀Magic V5震撼發布：輕薄折疊旗艦，搭載6100mAh大電池與驍龍8至尊版榮耀Magic V5深度評測：輕薄新紀錄，AI折疊屏新標桿榮耀Magic V5震撼發布：纖薄新紀錄，滿血配置售價8999元起

本文鏈接：http://www.www897cc.com/showinfo-45-14352-0.html上海交大研究LLM強化學習：Llama與Qwen差異及OctoThinker新突破

聲明：本網頁內容旨在傳播知識，若有侵權等問題請及時與本網聯系，我們將在第一時間刪除處理。郵件：2376512515@qq.com

上一篇： 榮耀Magic V5震撼發布：續航與輕薄雙贏，友商折疊屏面臨新挑戰

下一篇： MIT新研究：AI寫作工具使用或致大腦活躍度下滑