2023年，業(yè)界還在卷Scaling Law，不斷突破參數(shù)規(guī)模和數(shù)據(jù)規(guī)模時(shí)，微軟亞洲研究院張麗團(tuán)隊(duì)就選擇了另一條路徑。

早在OpenAI o1發(fā)布前，張麗團(tuán)隊(duì)就開(kāi)始探索大模型深度推理能力。

System2這個(gè)原屬認(rèn)知科學(xué)的詞匯最早由她及團(tuán)隊(duì)引入大模型領(lǐng)域。

最近，她們通過(guò)蒙特卡洛搜索算法讓7B模型實(shí)現(xiàn)了o1級(jí)別的數(shù)學(xué)推理能力。

rStar—Math的發(fā)布引發(fā)學(xué)術(shù)圈內(nèi)外的廣泛討論。

△rStar-Math論文

在當(dāng)前基于PPO/GRPO強(qiáng)化學(xué)習(xí)路線主導(dǎo)的當(dāng)下，她們的工作又將帶來(lái)哪些新的可能性？

本期「大模型創(chuàng)新架構(gòu)」主題訪談，量子位邀請(qǐng)到rStar-Math作者微軟亞洲研究院首席研究員張麗，聊聊突破大模型智商上限、獎(jiǎng)勵(lì)模型以及System2背后的故事。

張麗，MSRA系統(tǒng)研究組首席研究員，微軟LongRoPE及rStar系列工作項(xiàng)目leader。

△微軟亞洲研究院系統(tǒng)研究組首席研究員張麗

以下為量子位與rStar-Math作者微軟亞洲研究院首席研究員張麗的對(duì)話實(shí)錄整理：

智商突圍

量子位：能簡(jiǎn)單介紹下rStar-Math的核心工作嗎？當(dāng)初為什么選擇這個(gè)研究方向？

MSRA張麗：一直以來(lái)我們主要沿著如何提升大語(yǔ)言模型的智商這個(gè)大方向在持續(xù)做研究，具體分兩個(gè)方向：

一個(gè)是讓模型具備無(wú)限且持久的記憶能力，另一個(gè)是提升模型的深度推理邏輯思考能力。

我們2025年1月發(fā)布的rStar-Math工作，簡(jiǎn)單說(shuō)是第一個(gè)公開(kāi)通過(guò)蒙特卡洛搜索算法，讓7B模型實(shí)現(xiàn)了接近OpenAI o1級(jí)別的數(shù)學(xué)推理能力的工作。

我們當(dāng)時(shí)做這個(gè)工作的時(shí)候，整個(gè)行業(yè)趨勢(shì)還是在卷scaling law，認(rèn)為模型size越大，數(shù)據(jù)量越多，效果越好。

但我們發(fā)現(xiàn)，盡管隔一段時(shí)間就有新體量的模型推出，但實(shí)際上模型的數(shù)學(xué)深度推理能力一直沒(méi)有顯著提升。

量子位：在2024年o1還沒(méi)發(fā)布時(shí)你們就開(kāi)始做System2了嗎？

MSRA張麗：對(duì)，應(yīng)該是2023年5月份左右。

2022年11月ChatGPT出來(lái)時(shí)，大家都被震驚了，但是我們發(fā)現(xiàn)它仍然在有些方面做得不夠好。

作為研究員，我們比較注重邏輯推理思考能力，所以很自然會(huì)希望大語(yǔ)言模型能像我們一樣具備很強(qiáng)的推理能力。

我們最初的思路是兩點(diǎn)：

一是希望模型在解題時(shí)能夠利用很長(zhǎng)的“草稿紙”，所以我們做了LongRoPE，拓展大模型長(zhǎng)文本的推理窗口。

△LongRoPE論文于2024年2月發(fā)表

二是要有效利用這個(gè)草稿紙，這就需要像人一樣的深度推理思考方式，這就有了rStar系列工作。

△rStar-Math前身，rStar論文于2024年8月發(fā)表

量子位：最早將System2這個(gè)人腦認(rèn)知科學(xué)詞匯引入大模型領(lǐng)域的是誰(shuí)？

MSRA張麗：可能是我們吧。更準(zhǔn)確地說(shuō)，當(dāng)我們想定義這種能力時(shí)，從人腦認(rèn)知科學(xué)中找到了這個(gè)可以類比的詞。

量子位：當(dāng)時(shí)為什么認(rèn)為System2會(huì)是未來(lái)非常重要的研究方向？

MSRA張麗：我們覺(jué)得，大語(yǔ)言模型真正要落地應(yīng)用，或者實(shí)現(xiàn)通用，其他能力可能都好說(shuō)，智商或推理能力才是最關(guān)鍵因素。

看各行各業(yè)的頂尖人才，他們的專業(yè)領(lǐng)域不同，有人擅長(zhǎng)解數(shù)學(xué)題，有人擅長(zhǎng)寫代碼，有人寫作或口才好，但本質(zhì)上他們都有很強(qiáng)的推理能力，這就是智商。

大模型有了這個(gè)基礎(chǔ)，再去做其他應(yīng)用，讓大模型落地或提高社會(huì)生產(chǎn)力，都會(huì)變得簡(jiǎn)單得多。

△System1&2（快反應(yīng)與慢思考）區(qū)別示意

量子位：rStar-Math在研究過(guò)程中模型自己涌現(xiàn)出了self-reflection能力，這意味著什么？

MSRA張麗：這其實(shí)并不是有意為之，是意外收獲。后來(lái)想想，可能間接驗(yàn)證了self-reflection是提升大模型智商的關(guān)鍵能力這一點(diǎn)。

這種自我修正或自我反思是人類做很多事情都會(huì)使用的思維方式，可以說(shuō)是一種必備能力。

我們確實(shí)沒(méi)有刻意追求復(fù)現(xiàn)“aha moment”，但這在當(dāng)時(shí)確實(shí)是個(gè)機(jī)會(huì)，很多團(tuán)隊(duì)都想復(fù)現(xiàn)，最后發(fā)現(xiàn)強(qiáng)化學(xué)習(xí)可以激發(fā)出這種能力。

量子位：激發(fā)大模型self-reflection能力的關(guān)鍵是什么？

MSRA張麗：我個(gè)人認(rèn)為，大模型預(yù)訓(xùn)練數(shù)據(jù)中本來(lái)就包含人類自我反思過(guò)程的信息。

互聯(lián)網(wǎng)上的大量數(shù)據(jù)中會(huì)自然混入一些這樣的內(nèi)容，因?yàn)檫@是人類基本的高級(jí)思考模式。

大模型經(jīng)過(guò)預(yù)訓(xùn)練記住這些模式后，強(qiáng)化學(xué)習(xí)或蒙特卡洛搜索算法會(huì)將這種能力激發(fā)出來(lái)。

在解決復(fù)雜問(wèn)題過(guò)程中，模型發(fā)現(xiàn)用了self-reflection后效果更好，蒙特卡洛算法就會(huì)把這些標(biāo)記為高質(zhì)量數(shù)據(jù)；

如果是強(qiáng)化學(xué)習(xí)，模型發(fā)現(xiàn)用了self-reflection后能答對(duì)，就會(huì)給這個(gè)策略更高分?jǐn)?shù)。最終結(jié)果都是讓模型涌現(xiàn)出這種能力。

△rStar-Math涌現(xiàn)self-reflection能力

蒙特卡洛突破

量子位：rStar-Math發(fā)布后反響很大，有什么印象深刻的反饋嗎？

MSRA張麗：確實(shí)rStar-Math比我們之前的工作受到了更多關(guān)注，完全超出了我的預(yù)期。

我想可能是因?yàn)楫?dāng)時(shí)o1已經(jīng)出來(lái)好幾個(gè)月，但還沒(méi)有哪份公開(kāi)的報(bào)告能說(shuō)清楚它是怎么做到的。

我知道有很多人也在用類似的蒙特卡洛搜索算法，但沒(méi)有達(dá)到o1水平的效果。

而我們恰好做到了，而且方法上有一些創(chuàng)新，可能是這個(gè)原因會(huì)突然受到關(guān)注。

感覺(jué)有點(diǎn)“破圈”效應(yīng)。學(xué)術(shù)圈通常只有做同方向的人才會(huì)關(guān)注你的工作，但那時(shí)很多不做這個(gè)方向的同事朋友都發(fā)微信說(shuō)某某看了我們工作想認(rèn)識(shí)一下，這種情況很少見(jiàn)。

還有很多媒體，國(guó)內(nèi)外的，都要采訪我們。在X上也有大量討論，一些人給了很高評(píng)價(jià)，認(rèn)為用7B模型就能達(dá)到OpenAI o1級(jí)別表現(xiàn)非常不可思議。

也有人討論2025年會(huì)不會(huì)是小模型的時(shí)代，還引發(fā)了關(guān)于scaling law與其他路線的新一輪辯論。

△Keras創(chuàng)始人Fran?ois Chollet評(píng)價(jià)rStar-Math

量子位：有沒(méi)有遇到質(zhì)疑的聲音？

MSRA張麗：當(dāng)然有，大概分兩個(gè)階段。

一開(kāi)始在DeepSeek R1和Kimi 1.5出來(lái)之前，主要質(zhì)疑是“小模型能力怎么會(huì)這么強(qiáng)”以及“這個(gè)方法能否泛化到其他任務(wù)”，所以后來(lái)我們開(kāi)源了代碼和數(shù)據(jù)。

后來(lái)，DeepSeek R1和Kimi 1.5出來(lái)了，有人開(kāi)始討論復(fù)現(xiàn)OpenAI o1效果到底是否真的需要蒙特卡洛搜索。這些質(zhì)疑都很合理，因?yàn)槊總€(gè)人觀點(diǎn)不同。

量子位：蒙特卡洛搜索算法的獎(jiǎng)勵(lì)模型和傳統(tǒng)Best of N獎(jiǎng)勵(lì)模型的根本區(qū)別是什么？

MSRA張麗：根本區(qū)別是蒙特卡洛搜索算法的獎(jiǎng)勵(lì)模型是步驟級(jí)別的，是過(guò)程獎(jiǎng)勵(lì)模型。

Best of N是結(jié)果獎(jiǎng)勵(lì)模型，不關(guān)注過(guò)程，所以蒙特卡洛搜索算法效果更好。

量子位：為什么蒙特卡洛搜索算法在小模型上表現(xiàn)這么好？效果會(huì)不會(huì)僅限于小模型？

MSRA張麗：它在小模型上表現(xiàn)優(yōu)異，反而說(shuō)明了它有很大潛力。

我們2024年8月發(fā)布初版rStar時(shí)就發(fā)現(xiàn)了蒙特卡洛算法潛力巨大。

當(dāng)時(shí)我們沒(méi)有進(jìn)行任何訓(xùn)練，甚至沒(méi)有訓(xùn)練獎(jiǎng)勵(lì)模型，只是在小模型上應(yīng)用蒙特卡洛搜索算法，發(fā)現(xiàn)效果非常好，甚至能與做了特殊微調(diào)后的模型效果相當(dāng)。

因?yàn)镾ystem2是更高級(jí)的思維模式，有一定門檻，策略模型不能太差，而小模型作為策略模型本身就較弱。

所以為了解決小模型效果不理想的問(wèn)題，如幻覺(jué)等，我們唯一做的就是加了code-augmented CoT，盡量讓蒙特卡洛搜索算法效果發(fā)揮到極致。

△rStar-Math使用code-augmented CoT示例

量子位：在你們的工作發(fā)布前，蒙特卡洛搜索算法是主流方案嗎？

MSRA張麗：之前它不是很主流，但學(xué)術(shù)界確實(shí)有一些工作開(kāi)始關(guān)注這個(gè)方向。

量子位：o1及你們的工作發(fā)布后，這種方法變得更主流了嗎？

MSRA張麗：目前還沒(méi)看到這種趨勢(shì)，大多數(shù)人還是在做強(qiáng)化學(xué)習(xí)。不過(guò)我知道一些其他領(lǐng)域的人也在嘗試蒙特卡洛搜索算法。

由于我們的工作受到關(guān)注，有人聯(lián)系我們，希望將這種方法應(yīng)用到金融或醫(yī)療領(lǐng)域。一些實(shí)際場(chǎng)景需要較小的模型，他們可能會(huì)考慮我們的方法。

量子位：你們做了scaling law實(shí)驗(yàn)嗎？有看到你們的工作隨著參數(shù)量增加效果的變化趨勢(shì)嗎？

MSRA張麗：目前我們最大只做到7B，然后向下做了scaling down，嘗試了3.8B和1.5B。

總體觀察到的趨勢(shì)是參數(shù)規(guī)模越大，效果越好。

如果模型size固定，我相信蒙特卡洛搜索算法比當(dāng)前基于強(qiáng)化學(xué)習(xí)或蒸餾的方法潛力更高。

量子位：rStar-Math在合成數(shù)據(jù)方面效果這么好，背后原因是什么？

MSRA張麗：主要有兩點(diǎn)。第一是code-augmented CoT，雖然最初是為小模型設(shè)計(jì)的，但對(duì)更大模型也有用。

當(dāng)然這種方法以前就有，叫Tool-Integrity Reasoning （TIR）。

△Tool-Integrity Reasoning （TIR）解讀

第二是我們用了過(guò)程獎(jiǎng)勵(lì)模型配合蒙特卡洛搜索算法，會(huì)做很多rollout，給不同步驟和每個(gè)trace打分。

即使是正確的trace中，我們也會(huì)挑選出更優(yōu)的步驟，這相當(dāng)于做了很好的數(shù)據(jù)篩選。

量子位：您認(rèn)為獎(jiǎng)勵(lì)模型的重要性未來(lái)會(huì)成為共識(shí)嗎？對(duì)獎(jiǎng)勵(lì)模型的研究會(huì)增多嗎？

MSRA張麗：我覺(jué)得會(huì)?，F(xiàn)實(shí)中有很多任務(wù)沒(méi)有明確標(biāo)準(zhǔn)答案，很難用簡(jiǎn)單規(guī)則評(píng)價(jià)。

比如寫作，你幾乎無(wú)法用幾條規(guī)則判斷好壞，肯定需要一個(gè)更強(qiáng)的獎(jiǎng)勵(lì)模型來(lái)打分。

對(duì)于復(fù)雜邏輯推理問(wèn)題，比如數(shù)學(xué)證明也很難做好的獎(jiǎng)勵(lì)模型，因?yàn)樗?/span>不只是結(jié)果對(duì)就行，必須每一步證明都正確，需要一個(gè)非常嚴(yán)格的過(guò)程獎(jiǎng)勵(lì)。

如果只用基于結(jié)果的強(qiáng)化學(xué)習(xí)，很可能出現(xiàn)證明結(jié)果正確但過(guò)程錯(cuò)誤的情況。

要在提升大模型智商這個(gè)方向繼續(xù)前進(jìn)，一個(gè)優(yōu)秀的過(guò)程獎(jiǎng)勵(lì)模型是必不可少的。

量子位：為什么優(yōu)化策略模型比優(yōu)化獎(jiǎng)勵(lì)模型更快？

MSRA張麗：首先，獎(jiǎng)勵(lì)模型比策略模型更難做。獎(jiǎng)勵(lì)模型是強(qiáng)化學(xué)習(xí)多年來(lái)始終未完全解決的問(wèn)題。

很難找到一個(gè)好的獎(jiǎng)勵(lì)模型或獎(jiǎng)勵(lì)函數(shù)去給動(dòng)作或策略打分。

其次，獎(jiǎng)勵(lì)模型在強(qiáng)化學(xué)習(xí)中容易出現(xiàn)reward hacking問(wèn)題。策略模型可能會(huì)用各種方法騙過(guò)獎(jiǎng)勵(lì)模型，實(shí)際上輸出的答案并不好。

這導(dǎo)致強(qiáng)化學(xué)習(xí)無(wú)法持續(xù)進(jìn)行，所以很多做強(qiáng)化學(xué)習(xí)的研究者會(huì)拿掉獎(jiǎng)勵(lì)模型，但本質(zhì)上還是因?yàn)楠?jiǎng)勵(lì)模型目前沒(méi)有很好的解決方案。

△前OpenAI安全團(tuán)隊(duì)Leader翁荔曾發(fā)萬(wàn)字長(zhǎng)文解讀reward hacking

對(duì)于數(shù)學(xué)這樣的高難度問(wèn)題，獎(jiǎng)勵(lì)模型更難構(gòu)建。

在一般問(wèn)題中，獎(jiǎng)勵(lì)模型不那么準(zhǔn)確可能還能接受，但在數(shù)學(xué)問(wèn)題中，一步錯(cuò)誤就會(huì)導(dǎo)致最終答案完全錯(cuò)誤。

量子位：rStar-Math對(duì)數(shù)學(xué)推理之外的其他任務(wù)有泛化性嗎？

MSRA張麗：我認(rèn)為它有很強(qiáng)的泛化潛力。

rStar-Math本質(zhì)上是一種思路，我只需要知道每次rollout的結(jié)果是對(duì)還是錯(cuò)就可以應(yīng)用。

當(dāng)最終結(jié)果正確時(shí)，我就認(rèn)為這次rollout中的每個(gè)步驟都有貢獻(xiàn)，就會(huì)返回給它們打分，然后進(jìn)行更多rollout。

如果中間某個(gè)節(jié)點(diǎn)每次都能導(dǎo)向正確答案，那可能是個(gè)正確步驟；如果經(jīng)常導(dǎo)向錯(cuò)誤答案，可能就是錯(cuò)誤步驟。

打完分后，我就能收集數(shù)據(jù)構(gòu)造過(guò)程獎(jiǎng)勵(lì)模型，這就是rStar-Math的核心思想。

它唯一的門檻是在rollout到根節(jié)點(diǎn)時(shí)需要判斷這次outcome是否正確，這個(gè)門檻并不高，所以應(yīng)用場(chǎng)景其實(shí)很廣，泛化性沒(méi)有問(wèn)題。

破局與遠(yuǎn)見(jiàn)

量子位：rStar-Math開(kāi)源后，行業(yè)有什么反響？

MSRA張麗：我們當(dāng)然希望它能有更廣泛的應(yīng)用，或者有人基于我們的代碼在更大模型上嘗試。

目前有一些第三方聯(lián)系我們，比如有家公司想用這個(gè)模型做數(shù)學(xué)AI教育，還有國(guó)外一些知名實(shí)驗(yàn)室希望在代碼類和數(shù)學(xué)證明方面合作。

有趣的是，還有一家智能車廠商聯(lián)系我們，希望用我們的算法在他們的模型上復(fù)現(xiàn)，讓我們幫助解答一些問(wèn)題。

量子位：您看好rStar-Math在工業(yè)級(jí)模型上落地嗎？在通用場(chǎng)景中，蒙特卡洛搜索算法的搜索空間會(huì)不會(huì)太大？

MSRA張麗：對(duì)于很簡(jiǎn)單的問(wèn)題，確實(shí)沒(méi)必要用這么復(fù)雜的方法。

蒙特卡洛搜索算法最初因AlphaGo而火，它可能天然更適合復(fù)雜任務(wù)。

△AlphaGo中的蒙特卡洛搜索算法示意

對(duì)通用任務(wù)，它可以用但不一定是必要的。普通大模型一次回答可能就足夠接受，不需要再用System2去多次搜索。

多搜索幾次可能找到比一次回答更好的答案，但兩者差距可能不大，從性價(jià)比上考慮可能必要性不會(huì)特別高。

量子位：下一步的研究會(huì)更關(guān)注長(zhǎng)文本還是深推理？

MSRA張麗：關(guān)于長(zhǎng)文本，我們之前做LongRoPE時(shí)從算法層面提供了讓預(yù)訓(xùn)練模型文本窗口可以拓展到無(wú)限的方案。

也在微軟的phi系列模型上得到了驗(yàn)證。

△Phi-3 Technical Report表明使用LongRoPE

但要真正擴(kuò)展到那么長(zhǎng)的長(zhǎng)度，還需要解決效率問(wèn)題以及長(zhǎng)文本數(shù)據(jù)和算力問(wèn)題，這些不是我當(dāng)前階段關(guān)注的重點(diǎn)。

我們目前更關(guān)注推理能力的提升，也就是深推理這方面。

量子位：會(huì)繼續(xù)研究獎(jiǎng)勵(lì)模型嗎？

MSRA張麗：下一步我們可能會(huì)做三件事。

第一是繼續(xù)優(yōu)化獎(jiǎng)勵(lì)模型。

第二是進(jìn)一步提升策略模型能力，希望它能學(xué)會(huì)更像人類的高級(jí)推理方式，比如主動(dòng)提問(wèn)或self-reflection之外的其他推理方式。

第三是擴(kuò)展任務(wù)領(lǐng)域，除了數(shù)學(xué)外，我們還想擴(kuò)展到高難度的代碼推理任務(wù)，最終實(shí)現(xiàn)通用的深度推理能力。

量子位：解數(shù)學(xué)題一定是智商要求最高的任務(wù)嗎？

MSRA張麗：我認(rèn)為是的。數(shù)學(xué)推理基本上是大語(yǔ)言模型中最要求程序執(zhí)行能力和邏輯嚴(yán)謹(jǐn)性的任務(wù)類型。

有些證明題數(shù)學(xué)家需要花幾百年才能證明出來(lái)，我個(gè)人認(rèn)為它應(yīng)該是智能天花板的一種表現(xiàn)。

量子位：有種說(shuō)法認(rèn)為大家對(duì)提升數(shù)學(xué)能力的研究更多是因?yàn)樗Y(jié)果唯一、數(shù)據(jù)全且易驗(yàn)證，數(shù)學(xué)能力一定代表智商天花板嗎？

MSRA張麗：數(shù)學(xué)任務(wù)確實(shí)更容易著手研究，效果更容易驗(yàn)證，但要真正提升數(shù)學(xué)推理能力并不容易。

比如FrontierMath這個(gè)高難度數(shù)學(xué)基準(zhǔn)測(cè)試，由多名數(shù)學(xué)家出題，目前最強(qiáng)的模型在上面的準(zhǔn)確率也只有2%左右。

△ 主流SOTA模型在FrontierMath上的表現(xiàn)

當(dāng)前數(shù)學(xué)研究更多是因?yàn)?/span>數(shù)據(jù)相對(duì)豐富，條件比較成熟，判定好壞更明確。

有些非證明題甚至不需要看步驟，看答案對(duì)不對(duì)就可以了，所以可能給人感覺(jué)大模型數(shù)學(xué)能力好做。

人類的其他復(fù)雜任務(wù)可能現(xiàn)在各方面研究條件還不夠成熟，所以感覺(jué)大家都在做數(shù)學(xué)能力。

但真正讓大模型成為數(shù)學(xué)家可信賴的助手，這條路還很長(zhǎng)。

論文：https://arxiv.org/abs/2501.04519