7B模型超越DeepSeek-R1：模仿人類教師，弱模型也能教出強推理LLM

不圓 發自 凹非寺
量子位 | 公眾號 QbitAI

Thinking模式當道，教師模型也該學會“啟發式”教學了——

由Transformer作者之一Llion Jones創立的明星AI公司Sakana AI，帶著他們的新方法來了！

這個方法要求教師模型像優秀的人類教師一樣，根據已知解決方案輸出清晰的逐步解釋，而不再是從頭開始自己解決。

用Sanaka AI的新方法訓練出的7B小模型，在傳授推理技能方面，比671B的DeepSeek-R1還要有效。

訓練比自己大3倍的學生模型也不在話下。

對此有網友評價：我們剛剛才意識到，最好的老師不是房間里最聰明的人。

像人類老師一樣

許多高級推理模型，如DeepSeek-R1，遵循兩階段的訓練過程：首先訓練教師模型，然后使用其輸出訓練學生模型，最終產品為學生模型。

傳統上，這些教師模型通過昂貴的強化學習（RL）進行訓練，模型必須從頭學習解決復雜問題，只有在得到正確答案時才會獲得獎勵：

先讓教師模型得到問題的答案，再把答案仔細過濾并重新用作學生模型的訓練數據。

這種方法緩慢、昂貴且往往過于偏狹，過于依賴教師模型自身能力。因為教師模型拿到的僅僅只有問題，它們需要自己思考給出結果。

而Sanaka AI的新方法不再通過解決問題來教學，而是讓新的強化學習教師（RLTs）“學會教學”：

要求它們根據已知解決方案輸出清晰的逐步解釋，就像優秀的人類教師一樣。

就像一位好教師不需要重新發現數學定理來解釋它們一樣，RLTs在輸入提示中既獲得問題的內容，也獲得每個問題的正確答案。

它們的任務是提供有助于學生模型學習的、逐步的詳細解釋，從而連接這些知識點。如果學生模型能夠根據教師對問題的解釋輕松理解正確解決方案，那么這就是RLTs做得好的信號。

也就是說，對RLTs的獎勵不再是能自己解決問題，而是能解釋對學生模型有多有幫助。

Sanaka AI的新方法解決了傳統方法中的兩個問題：

首先，新方法的訓練循環使教師訓練與其真正目的（為學生進行蒸餾/冷啟動提供幫助）保持一致，從而大大提高了效率。

其次，將問題和正確答案同時輸入RLT，能幫助原本無法獨立解決問題的小型模型學會教學。

這些特性使Sanaka AI的新方法能更快、更經濟、更有效地訓練出具有強大推理能力的學生模型。

小型教師模型的“不合理但有效”

為了驗證新方法的有效性，Sanaka AI用新方法訓練了一個7B的RLT小模型作為教學模型與此前最先進的方法進行比較。

競爭方法使用規模更大的模型，如DeepSeek-R1和QwQ，并結合GPT-4o-mini等工具在用于訓練學生模型之前清理其輸出，以獲得額外幫助。

結果發現：使用相同的Qwen2.5學生模型、相同的問題以及相同的評估設置，RLT以遠少的計算量取得了比DeepSeek-R1和QwQ更好的效果。

把學生模型的規模擴大，結果同樣令人驚訝：7B的RLT成功訓練了一個32B的學生模型，其規模是自己四倍以上，并取得了優異的成果。

Sanaka AI的新方法還可以和傳統RL方法相輔相成：

上圖展示了在2024年美國邀請數學考試（AIME）、競賽數學和研究生級問答基準（GPQA）上的平均性能。

新方法和傳統RL方法聯合使用，使RLT獲得了改進性能，并補充了傳統RL方法在問題解決方面的應用。

用作起點時，RLT幫助學生模型達到了更高的性能水平。

從成本角度來看，差異非常顯著：使用RLT訓練32B的學生模型僅需單個計算節點一天時間，而傳統RL方法在相同硬件上需要數月。

一項定性分析揭示了RLTs提供的解釋與Deepseek-R1的蒸餾軌跡之間存在一些差異：

Deepseek-R1的輸出常常依賴于外部工具，例如計算器、網絡上的討論以及玩梗，包括一些具有誤導性的內容。

相比之下，RLT提供的解釋避免了令人困惑的語言，并增加了額外的邏輯步驟來幫助學生。

這些直觀的改進能夠轉化為學生語言模型的改進學習，像人類專家一樣簡潔且清晰。

參考鏈接：
https://x.com/SakanaAILabs/status/1936965841188425776
博客：https://sakana.ai/rlt
論文：https://arxiv.org/abs/2506.08388
代碼：github.com/SakanaAI/RLT