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，帶着他們的新方法來了！
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，然後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複雜問題，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，再把答案仔細過濾並重新用作學生模型的訓練數據。
這種方法緩慢、昂貴且往往過於偏狹，過於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於學生模型學習的、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鬆理解正確解決方案，那麼這就是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，並結合gpt-4o-mini等工具在用於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，並取得了優異的成果。
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，並補充了傳統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的輸出常常依賴於外部工具，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，並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
