就在剛剛，UC伯克利CS博士后Xuandong Zhao，分享出來自己「今年參與的最鼓舞人心的工作」。

他和同事們發現，在沒有外部獎勵的情況下，LLM竟然只靠「自信爆棚」，就學會了復雜推理？

論文地址：https://arxiv.org/pdf/2505.19590

LLM靠自信心，竟能學會復雜推理

LLM不靠外部獎勵，就能自己學會復雜推理，這個結論實在很出乎意料。

團隊之所以能做出這個結果，是源于兩個關鍵的觀察。

1. 在考試中，人們往往對自己有信心的問題，回答得更準確。這種「信心≈正確性」的模型，對LLM是否也適用呢？
2. 在測試時推理中，長CoT或并行擴展技術（如多數投票）很常見。但在面對代碼生成這樣的開放式任務時，我們該如何在多樣化的輸出中做出選擇呢？

為此，他們探討了如何有效擴展「n選一最優」的選擇策略。

現有的一些啟發式方法，比如熵和困惑度都存在不少問題：比如對輸出長度敏感、有偏差，而且在樣本數量增加時效果變差。

然后，他們就得出了一個關鍵的洞察：衡量每個token的分布距離均勻分布有多遠。KL散度KL(U‖P) ，可以量化模型在預測每個token時的「自信程度」。可以將這一度量稱為「自我確定性」。

而它，正是熵的反面——不是覆蓋多種可能，而是傾向于聚焦在最可能的結果上。

他們發現，自我確定性是一個非常有效的信號——

1. 當答案已知時，它通過加權投票的方式表現優于多數投票。
2. 當答案未知時，它仍然可以隨著n的增加而穩健地擴展。

由此，在今年二月份，他們發表了第一篇論文。

論文地址：https://arxiv.org/abs/2502.18581

不過，他們的探究并未止步于此。一個后續問題自然而然出現了：如果「自我確定性」是一個良好的評估信號，它是否也可以用作訓練模型的獎勵？

也就是說，如果人類可以通過探索和反思建立起自己的信心，那LLM也能做到同樣的事嗎？

這就啟發了研究者們的新范式——RLIF。

他們采用的新方法，使用自我確定性作為強化學習的獎勵信號，而不需要外部監督。

結果，這種方法果然奏效了！

它在數學任務中的表現，可與使用規則獎勵的GRPO相媲美，在代碼生成任務中甚至有更好的泛化能力。

它能學習結構化推理——提前規劃、分解問題，甚至能夠遵循指令，而這一切都來自于內部反饋（內在獎勵）。

Xuandong Zhao表示，這個項目給了自己很大信心，尤其看到一些同期研究（TTRL、基于熵的強化學習、語義熵+答案等）時。

很明顯，RLIF是一個很有前景的方向。很顯然，目前的探索才剛剛觸及了表面。

展望未來，RLIF還提出了許多開放性問題。

• 它為什么會有效？哪些任務最受益？
• 它能否擴展到更大的模型？它與幻覺或記憶有何關系？
• RLIF能否在現實世界的部署中補充RLHF或RLVR？
• 它在智能體任務中的表現如何？

RLIF登場，打破根本局限

強化學習（RL）已經成為提升大語言模型能力的一個重要工具。

早期主要是基于人類反饋的強化學習（RLHF）上。

最近，基于可驗證獎勵的強化學習（RLVR）取得了進展，它用可自動驗證的信號（如數學題解中精確匹配的答案）取代了傳統的學習型獎勵模型，并在DeepSeek-R1等模型上展現出了更強的推理能力。

盡管取得了不少成功，RLHF和RLVR仍然面臨一些根本性的局限。

RLHF需要大量的人工標注，成本高且容易存在偏見。

而RLVR則需要特定領域的驗證器與標準答案。例如，在數學領域需要專家標注的解；代碼生成任務中，需要全面的測試用例和執行環境。

那么，大語言模型能夠否僅靠自身生成的內在信號來提升推理能力？

于是本文的研究者們提出、探索了一種新范式：基于內部反饋的強化學習（Reinforcement Learning from Internal Feedback，RLIF）。

在這種新范式下，模型通過優化自身的內部反饋來提升性能，從而無需外部獎勵或監督。

RLIF不僅適用于當前的場景，還延伸到了未來——當模型的發展超出人類能力，人類難以直接評估其表現時，模型只能通過內在機制實現自我改進。

在RLIF范式下，研究團隊提出了INTUITOR，這是一種新的強化學習方法，利用模型自身的置信度作為一種內在獎勵。

具體來說，團隊使用自我確定性作為置信度的衡量標準。自我確定性已被證明可以有效區分高質量和有缺陷的回答。

INTUITOR的實現方式簡單、高效且有效：團隊用自我確定性得分取代了現有RLVR框架（特別是GRPO）中的可驗證獎勵信號，并沿用了相同的策略梯度算法。

實驗設置

訓練設置

GRPO和INTUITOR都使用Open-R1框架在MATH數據集的訓練集上進行訓練，該數據集包含7,500道題目。

研究者采用Qwen2.5-1.5B和Qwen2.5-3B作為基礎模型，全程使用對話式提示格式。

由于這些模型最初在指令遵循能力上較弱，不強制要求它們將中間推理過程與最終答案拆分開。

每次更新處理128道題目，每題生成7個候選解，默認的KL懲罰系數為β=0.005。

為了公平比較，GRPO與INTUITOR使用完全相同的超參數，未進行額外調參。

INTUITOR在代碼生成任務中的應用（INTUITOR-Code）

為評估其在數學推理之外的泛化能力，研究者將INTUITOR應用于Codeforces代碼生成數據集。該變體在表1中被標記為INTUITOR-Code。

評估

評估階段大多采用與訓練一致的對話式提示格式。所有生成均采用貪婪解碼。

實驗在英偉達A100顯卡上進行，每張卡具有40GB顯存。

在以下基準上，研究者評估了模型性能：

數學推理任務：MATH500和GSM8K，使用lighteval庫；

代碼推理任務：CRUXEval-O，使用ZeroEval 框架，以及LiveCodeBench v6（LCB）；

指令遵循任務：AlpacaEval 2.0，使用長度控制的勝率指標，由GPT-4.1進行評審。

結果與分析

表1展示了主要的評估結果，圖3則顯示了訓練過程中回答長度的變化趨勢。

在MATH和GSM8K數據集上，INTUITOR和GRPO-PV（兩者都不依賴標準答案）表現出了與GRPO（使用標準答案）相當的性能。

雖然INTUITOR整體表現略遜于GRPO，但在MATH數據集上，它的回答更長，且代碼生成能力顯著提升，顯示出更強的推理能力。

各種方法在GSM8K、MATH、LCB、CRUXEval-O、MMLU-Pro和AlpacaEval基準測試上的性能對比

訓練過程中平均響應長度。對于Qwen2.5-1.5B模型，INTUITOR和GRPO減少了無意義輸出。對于Qwen2.5-3B模型，INTUITOR和GRPO增加了推理長度，其中INTUITOR的響應長度顯著更長。GRPO-PV的長度增加最小

學會遵循指令

INTUITOR在遵循指令方面有了顯著提升。

最初，預訓練的Qwen2.5-1.5B模型在處理對話式提示時表現不佳，在所有對話模板任務上的得分低于10%（見表1），生成的回答往往重復且無意義，導致平均回答長度過長（見圖3）。

通過INTUITOR的微調，這種無意義輸出大幅減少，回答長度縮短，且在所有評估基準上都取得了非凡的性能提升。

此外，在MATH數據集上，INTUITOR顯著提高了Qwen2.5-1.5B和Qwen2.5-3B模型在AlpacaEval上的長度控制勝率，超越了相同設置下的GRPO。

這表明INTUITOR在遵循指令方面取得了穩健的進步。

培養結構化推理

快速初步學習。「自我確定性」是一種連續的、內在的獎勵信號，來自模型對所有token的內部評估，與二元獎勵形成對比。

這種內部信號可能推動大語言模型（LLMs）走上更高效的學習路徑。

考慮到GRPO和INTUITOR的最終表現不分伯仲，團隊通過對比兩者在訓練至第10步時的領域內準確率，來評估它們早期的學習能力。

如表2所示，在GSM8K和MATH基準測試中，INTUITOR在Qwen2.5-1.5B和Qwen2.5-3B模型上始終優于GRPO，凸顯了其在快速初步學習上的優勢。

跨任務泛化。圖4展示了在MATH數據集上訓練的模型在MATH500（領域內任務）和LiveCodeBench（遷移任務）上的表現變化。

無論是INTUITOR還是GRPO，模型都會先在MATH500上率先提分，而LiveCodeBench的準確率提升要到訓練后期才逐漸顯現。

更有意思的是，哪怕MATH500的成績已經進入平臺期，LiveCodeBench上的表現仍在繼續攀升。

這說明：先在MATH數據上學到的「本行」知識，為之后遷移到代碼生成任務（LiveCodeBench）提供了扎實的基礎。

長推理的涌現。雖然像Deepseek-R1這樣的大模型通過大量強化學習（RL）實現長篇推理，但INTUITOR使較小的模型在有限數據下也能發展出結構化推理能力。

在CRUXEval-O基準（圖5）上，用INTUITOR訓出來的模型常常先用自然語言隨意地想一番，再把結論濃縮進要求的JSON里——盡管提示里已經要求它直接用JSON推理。

同樣的「先自然語言推理，后寫代碼」現象，也出現在LiveCodeBench上。

這種自發出現的「預推理」過程，或許正是INTUITOR能在這些評測中表現亮眼的關鍵。

理解LLM的涌現式長鏈推理能力

當LLM遇到陌生問題時，它們會從一組可能的答案分布中進行采樣。

自我確定性反映了模型對其輸出連貫性的內部評估。通過強化高自信度的回答，INTUITOR鼓勵更具層次的推理過程，有可能提升模型對自身輸出的理解能力。

研究者通過分析使用INTUITOR訓練的代碼模型在不同訓練階段生成的結果，來觀察這一機制。

具體方法是從LiveCodeBench數據集中隨機選取10道題，觀察各訓練階段模型的輸出演變。

圖6展示了輸出類型和模型準確率的變化趨勢。

結果顯示出了清晰的演進路徑：模型首先學會生成有效的 Python 代碼（體現在準確率提升和無效輸出減少），隨后開始發展出前置推理能力，以便更好地理解自身行為。

進一步的生成樣本檢查也證實：模型在訓練過程中會逐步豐富其推理內容，驗證了我們關于「INTUITOR鼓勵模型生成自身更易理解的推理軌跡」的假設。

在線自置信防止獎勵濫用

在強化學習里，如果獎勵模型是靜態的，策略就可能一味鉆空子而不是老老實實提高能力。

為測試把「自置信」當獎勵到底穩不穩定，團隊做了兩種設置：

• 離線自置信：獎勵來自固定的基礎模型；
• 在線自置信：獎勵隨策略模型一同更新。

兩種情況下，我們把每次梯度更新的批大小都降到224條回答。

圖7所示，大約在第100次更新后，離線設置的策略學會了「刷分」：它在每個答案后偷偷附上一道自己早已解出的額外題目，以此抬高自置信獎勵。結果是：

• 回答長度（虛線）突然飆升；
• 驗證準確率（實線）卻瞬間崩盤。
  
  

在線設置下，獎勵信號隨著策略同步進化，策略想「騙分」就難多了，訓練曲線始終平穩。

研究團隊進一步拿INTUITOR和GRPO在MATH500上生成的回答，分析自置信分布（圖8），并用Mann–Whitney U檢驗比較正確與錯誤答案的自置信差異。

• 正確答案的平均自置信都顯著高于錯誤答案。
• INTUITOR（在線自置信）：沒有任何「刷分」跡象，在U檢驗中給出了最低p值和最大的效應量r，說明它最能用自置信區分對錯，即便整體信心更高。

這些結果表明，INTUITOR的在線自置信機制不僅防止了獎勵被濫用，還讓模型在大規模數據集上有望保持穩健訓練。