如果有人告訴你：不用分階段做強化學習、不搞課程學習、不動態調參，只用最基礎的 RL 配方就能達到小模型數學推理能力 SOTA，你信嗎？

清華團隊用兩個 1.5B 模型給出了答案：不僅可行，還特別高效。

• 核心發現： 單階段訓練 + 固定超參數 = SOTA 性能 + 省一半算力
• 意外之喜： 訓練曲線平滑得像教科書，4000 步沒遇到任何 "典型問題"
• 關鍵啟示： 充分 scale 的簡單 baseline，可能比我們想象的強大得多

• 技術博客：https://relieved-cafe-fe1.notion.site/JustRL-Scaling-a-1-5B-LLM-with-a-Simple-RL-Recipe-24f6198b0b6b80e48e74f519bfdaf0a8
• 開源模型：https://huggingface.co/collections/hbx/justrl
• 評測腳本：https://github.com/thunlp/JustRL

背景：RL 訓練小模型的 "技術軍備競賽"

2025 年初，DeepSeek-R1 開源后，如何用 RL 訓練 1.5B 級別的推理模型成為了熱門研究方向。短短幾個月內，這個領域經歷了快速的技術演進：早期的工作嘗試超參數調優和長度控制；隨后出現了多階段漸進訓練，每個階段調整數據難度和 RL 超參數；也有方法引入了課程學習，用部分解作為提示精心設計難度梯度；最激進的做法直接將 rollout 數量提升到 512 次，用算力進行暴力探索。

近期工作用到的技術對比

這些方法都取得了不錯的效果，性能在不斷刷新。 動態采樣、KL 重置、自適應懲罰、長度控制…… 各種穩定技術和優化 trick 被逐一引入。每個新工作都在前人基礎上增加新的模塊和機制，整個訓練 pipeline 變得越來越復雜。

然而，這種復雜度的增長也帶來了困惑：這些技術真的都是必要的嗎？ 當不同工作組合使用不同的技術子集時，我們很難分辨哪些是解決根本問題的，哪些只是在修補其他設計選擇帶來的副作用。更重要的是，如果 baseline 本身就不穩定，那么為了穩定它而加入的技術，可能只是在治標而非治本。

清華團隊帶著一個樸素的想法開始了這項工作："如果我們用最基礎的配方，但訓練得足夠充分，能到什么水平？"

于是就有了 JustRL—— 名字的意思是 "就這樣"。

方法：極簡到極致的訓練配方

JustRL 的設計哲學是 "減到不能再減"。研究者刻意避免了近期工作中常見的復雜技術，只保留了最基礎的組件。

訓練配方簡單到令人意外： 算法使用標準的 GRPO，沒有任何魔改；訓練只有一個階段，從頭到尾連續進行；超參數完全固定，不做任何動態調整；數據來自常規的數學問題集，不進行離線難度篩選、不做數據增強、不使用 dynamic sampling。

更關鍵的是，同一套超參數在兩個完全不同的起點上都有效。 第一個實驗使用 DeepSeek-R1-Distill-Qwen-1.5B 作為基座，這是一個相對較弱的起點（AIME 2024 準確率 29%）；第二個實驗使用 OpenMath-Nemotron-1.5B，這已經是一個相當強的基座（AIME 2024 準確率 61%）。研究者沒有針對不同模型調整任何參數，在 9 個數學推理基準（AIME 2024/2025、AMC 2023、MATH-500、Minerva Math、OlympiadBench、HMMT/CMIMC/BRUMO 2025）上的全面評測顯示，JustRL 達到了 1.5B 模型的最高水平。

一個關鍵問題：會不會是用了更多算力？正好相反，我們用了更少。

從弱基座起步的 JustRL-DeepSeek-1.5B，最終在 9 項基準上平均達到 54.87%，超越了采用 9 階段訓練的 ProRL-V2（53.08%）。更值得注意的是計算效率：JustRL 使用的總 token 預算約為 1.4E+11，僅為 ProRL-V2 的一半，為 BroRL 的五分之一。在算力 - 性能的權衡上，JustRL 達到了一個新的平衡點。

從強基座起步的 JustRL-Nemotron-1.5B 表現更加出色，平均準確率達到 64.32%，略微超過使用課程學習的 QuestA（63.81%）。關鍵的差異在于，QuestA 需要完整的推理軌跡來構建 hint，還要分階段調整提示難度；而 JustRL 只需要標準的問題與標答，不需要額外的數據工程，總 token 預算也相對較小。

整個訓練在 32 張 A800-80GB GPU 上進行，每個模型訓練約 15 天。相比一些需要多階段訓練、頻繁調參的方法，JustRL 的工程復雜度和計算開銷都顯著更低。這些結果的意義不僅在于數字本身，更在于它們揭示的一個可能性：很多時候，我們可能低估了簡單方法在充分 scale 下的潛力。

意外發現：4000 步訓練，異常平穩

也許比最終性能更令人驚訝的是訓練過程本身。研究者詳細記錄了 JustRL-DeepSeek-1.5B 整個 4000 步 RL 過程中的關鍵動態指標：策略熵、平均獎勵、響應長度。

策略熵始終在 1.2-1.4 范圍內健康震蕩，沒有出現向上漂移（探索崩塌）或向下崩潰（過早收斂）；平均獎勵從 - 0.6 單調上升到 +0.4，雖然有噪聲但趨勢清晰，沒有長時間的 plateau 或突然的下跌；響應長度從初始的 8000 tokens 自然壓縮到 4000-5000 tokens，并穩定在這個范圍，這一切都是在沒有使用 overlong penalty 的情況下發生的，僅僅設置了最大 16k 的上下文長度。

JustRL-DeepSeek-1.5B 的訓練 dynamic

這與很多現有工作報告的訓練困難形成鮮明對比。

• ProRL："我們觀察到熵崩潰和訓練不穩定性…"
• BroRL："訓練到瓶頸只能加 rollout 加大探索…"
• QuestA："需要課程學習避免熵崩塌（簡單題）或者減緩學習效率（難任務）…"

而在 JustRL 的訓練中，這些問題都沒有出現。這給了我們一個有趣的觀察：也許在某些配置下，當 baseline 足夠簡單、訓練規模足夠充分時，一些在復雜系統中出現的穩定性問題可能就不容易發生。

一個有趣的插曲：加 "優化" 反而更差

訓練過程中，團隊嘗試了兩個 "按常理應該有幫助" 的修改。這兩個實驗的結果頗具啟發性。

第一個實驗是加入顯式的長度懲罰。 動機很直接：不少工作證明長度懲罰有效，那么添加一個懲罰項應該能讓模型輸出更簡潔，提高訓練效率。結果卻令人意外：性能從 55% 下降到 50%。深入分析發現，顯式懲罰導致了熵崩塌，熵值從 1.2-1.4 降到 0.4-0.6 ，探索空間被過早壓縮。模型還沒來得及充分探索有效的解題策略，就被迫收斂到更短的響應上。

第二個實驗是換用更寬松的驗證器。 邏輯同樣合理：減少假陰性（正確答案被誤判為錯誤）應該能提供更清晰的學習信號。但性能繼續下滑到 45%。可能的原因包括：更寬松的驗證器雖然減少了誤判，但也降低了學習信號的細粒度 ——"幾乎正確" 和 "完全正確" 不再有明顯區分；另一種可能是，嚴格的格式要求實際上在迫使模型發展更魯棒的內部推理，而寬松的驗證器消除了這種壓力。

兩組 ablation 效果

這說明什么？一方面，ablation 在接近 2k steps 的尺度上才開始分道揚鑣，意味著現有的 RL tricks ablation 可能在小規模上（幾十 / 幾百步）得到的結論不一定適合于大規模 scaling，要驗證 tricks 的作用可能長期才能看出區別；另一方面，不是說這些技術本身不好（它們在其他工作中確實有效），而是：

• 技術的價值高度依賴于 baseline 的特性
• 在一個穩定的 baseline 上，某些 "優化" 可能適得其反
• 不是所有看起來合理的東西都該加

這個工作想說什么？

不是要證明 "簡單永遠最好"

• 不是說： "復雜方法都沒用"
• 而是說： "我們可能低估了簡單方法在充分 scale 下的潛力"
• 不是說： "大家都做錯了"
• 而是說： "建立清晰的簡單 baseline，能更準確地評估復雜技術的價值"
• 不是說： "永遠別用復雜技術"
• 而是說： "先驗證簡單方法的極限在哪，再決定是否需要復雜度"

寫在最后：關于 "夠用" 的哲學

"Perfection is achieved, not when there is nothing more to add, but when there is nothing left to take away.“

 — Antoine de Saint-Exupéry, Airman's Odyssey

JustRL 不是要證明 "簡單就是答案"。它想提醒的是：在不斷追求技術創新的同時，別忘了回頭看看 —— 最樸素的方法，在足夠的努力下，能做到什么程度。

也許在 RL 訓練小模型這個領域，我們一直在做加法：加階段、加調度、加采樣策略、加穩定技巧。也許現在是時候試試奧卡姆剃刀的做法：減到不能再減，看看還剩什么。JustRL 的發現是：剩下的，可能已經夠用了。

如果你正在做 RL，不妨試試：先把簡單配方訓練充分，看看它能帶你走多遠。

也許你會發現：夠用了。

也許你會發現：還不夠，但現在你知道差在哪了。

無論哪種，都是有價值的收獲。"如無必要，勿增實體"。