大模型强化学习新发现：删减84%数据反提升效果

在人工智能领域，"更大即更强" 的理念一直主导着大模型强化学习的发展方向。特别是在提升大语言模型的推理能力方面，业界普遍认为需要海量的强化学习训练数据才能获得突破。然而，最新研究却给出了一个令人惊喜的发现：在强化学习训练中，数据的学习影响力远比数量重要。通过分析模型的学习轨迹，研究发现精心选择的 1,389 个高影响力样本，就能超越完整的 8,523 个样本数据集的效果。这一发现不仅挑战了传统认知，更揭示了一个关键事实：提升强化学习效果的关键，在于找到与模型学习历程高度匹配的训练数据。

• 论文标题：LIMR: Less is More for RL Scaling

• 论文地址：https://arxiv.org/pdf/2502.11886

• 代码地址：https://github.com/GAIR-NLP/LIMR

• 数据集地址：https://huggingface.co/datasets/GAIR/LIMR

• 模型地址：https://huggingface.co/GAIR/LIMR

一、挑战传统：重新思考强化学习的数据策略

近期，强化学习在提升大语言模型的推理能力方面取得了显著成效。从 OpenAI 的 o1 到 Deepseek R1，再到 Kimi1.5，这些模型都展示了强化学习在培养模型的自我验证、反思和扩展思维链等复杂推理行为方面的巨大潜力。这些成功案例似乎在暗示：要获得更强的推理能力，就需要更多的强化学习训练数据。

然而，这些开创性工作留下了一个关键问题：到底需要多少训练数据才能有效提升模型的推理能力？目前的研究从 8000 到 150000 数据量不等，却没有一个明确的答案。更重要的是，这种数据规模的不透明性带来了两个根本性挑战：

• 研究团队只能依靠反复试错来确定数据量，这导致了大量计算资源的浪费

• 领域内缺乏对样本数量如何影响模型性能的系统性分析，使得难以做出合理的资源分配决策

这种情况促使研究团队提出一个更本质的问题：是否存在一种方法，能够识别出真正对模型学习有帮助的训练数据？研究从一个基础场景开始探索：直接从基座模型出发，不借助任何数据蒸馏（类似 Deepseek R1-zero 的设置）。通过深入研究模型在强化学习过程中的学习轨迹，研究发现：并非所有训练数据都对模型的进步贡献相同。有些数据能够显著推动模型的学习，而有些则几乎没有影响。

这一发现促使研究团队开发了学习影响力度量（Learning Impact Measurement, LIM）方法。通过分析模型的学习曲线，LIM 可以自动识别那些与模型学习进程高度匹配的 "黄金样本"。实验结果证明了这一方法的有效性：

• 精选的 1,389 个样本就能达到甚至超越使用 8,523 个样本的效果。

                               ^{精选 1,389 个样本就能达到全量数据的效果，在小模型上强化学习优于监督微调}

这些发现更新了学术界对强化学习扩展的认知：提升模型性能的关键不在于简单地增加数据量，而在于如何找到那些真正能促进模型学习的高质量样本。更重要的是，这项研究提供了一种自动化的方法来识别这些样本，使得高效的强化学习训练成为可能。

二、寻找 "黄金" 样本：数据的学习影响力测量（LIM）

要找到真正有价值的训练样本，研究团队深入分析了模型在强化学习过程中的学习动态。通过对 MATH-FULL 数据集（包含 8,523 个不同难度级别的数学问题）的分析，研究者发现了一个有趣的现象：不同的训练样本对模型学习的贡献存在显著差异。

学习轨迹的差异性

在仔细观察模型训练过程中的表现时，研究者发现了三种典型的学习模式：

• 部分样本的奖励值始终接近零，表明模型对这些问题始终难以掌握

• 某些样本能迅速达到高奖励值，显示模型很快就掌握了解决方法

• 最有趣的是那些展现出动态学习进展的样本，它们的奖励值呈现不同的提升速率

这一发现引发了一个关键思考：如果能够找到那些最匹配模型整体学习轨迹的样本，是否就能实现更高效的训练？

                                ^{(a) 不同训练样本在训练过程中展现出的多样化学习模式。(b) 样本学习轨迹与平均奖励曲线（红色）的比较。}

LIM：一种自动化的样本评估方法

基于上述观察，研究团队开发了学习影响力测量（Learning Impact Measurement, LIM）方法。LIM 的核心思想是：好的训练样本应该与模型的整体学习进程保持同步。具体来说：

1. 计算参考曲线

首先，计算模型在所有样本上的平均奖励曲线作为参考：

这条曲线反映了模型的整体学习轨迹。

2. 评估样本对齐度

接着，为每个样本计算一个归一化的对齐分数：

这个分数衡量了样本的学习模式与整体学习轨迹的匹配程度。分数越高，表示该样本越 "有价值"。

3. 筛选高价值样本

最后，设定一个质量阈值 θ，选取那些对齐分数超过阈值的样本。在实验中，设置 θ = 0.6 筛选出了 1,389 个高价值样本，构成了优化后的 LIMR 数据集。

对比与验证

为了验证 LIM 方法的有效性，研究团队设计了两个基线方法：

1. 随机采样（RAND）：从原始数据集中随机选择 1,389 个样本

2. 线性进度分析（LINEAR）：专注于那些显示稳定改进的样本

这些对照实验帮助我们理解了 LIM 的优势：它不仅能捕获稳定进步的样本，还能识别那些在早期快速提升后趋于稳定的有价值样本。

奖励设计

对于奖励机制的设计，研究团队借鉴了 Deepseek R1 的经验，采用了简单而有效的规则型奖励函数：

• 当答案完全正确时，给予 + 1 的正向奖励

• 当答案错误但格式正确时，给予 - 0.5 的负向奖励

• 当答案存在格式错误时，给予 - 1 的负向奖励

这种三级分明的奖励机制不仅能准确反映模型的解题能力，还能引导模型注意答案的规范性。

三、实验验证：少即是多的力量

实验设置与基准

研究团队采用 PPO 算法在 Qwen2.5-Math-7B 基座模型上进行了强化学习训练，并在多个具有挑战性的数学基准上进行了评估，包括 MATH500、AIME2024 和 AMC2023 等竞赛级数据集。

主要发现

实验结果令人振奋。使用 LIMR 精选的 1,389 个样本，模型不仅达到了使用全量 8,523 个样本训练的性能，在某些指标上甚至取得了更好的表现：

• 在 AIME2024 上达到了 32.5% 的准确率

• 在 MATH500 上达到了 78.0% 的准确率

• 在 AMC2023 上达到了 63.8% 的准确率

相比之下，随机选择相同数量样本的基线模型（RAND）表现显著较差，这证实了 LIM 选择策略的有效性。

                                     ^{三种数据选择策略的性能对比：LIMR 以更少的数据达到更好的效果}

                                ^{LIMR 在三个数学基准测试上的训练动态表现与全量数据相当，显著优于随机采样}

训练动态分析

更有趣的是模型在训练过程中表现出的动态特征。LIMR 不仅在准确率上表现出色，其训练过程也展现出了更稳定的特征：

• 准确率曲线与使用全量数据训练的模型几乎重合

• 模型生成的序列长度变化更加合理，展现出了更好的学习模式

• 训练奖励增长更快，最终也达到了更高的水平

这些结果不仅验证了 LIM 方法的有效性，也表明通过精心选择的训练样本，确实可以实现 "少即是多" 的效果。

                                ^{LIMR 的训练动态分析：从精选样本中获得更稳定的学习效果}

四、数据稀缺场景下的新发现：RL 优于 SFT

在探索高效训练策略的过程中，研究者们发现了一个令人深思的现象：在数据稀缺且模型规模较小的场景下，强化学习的效果显著优于监督微调。

为了验证这一发现，研究者们设计了一个精心的对比实验：使用相同规模的数据（来自 s1 的 1000 条数据和来自 LIMO 的 817 条数据），分别通过监督微调和强化学习来训练 Qwen-2.5-Math-7B 模型。结果令人印象深刻：

• 在 AIME 测试中，LIMR 的表现较传统监督微调提升超过 100%

• 在 AMC23 和 MATH500 上，准确率提升均超过 10%

• 这些提升是在使用相近数量训练样本的情况下实现的

                                   ^{小模型上的策略对比：强化学习的 LIMR 优于监督微调方法}

这一发现具有重要意义。虽然 LIMO 和 s1 等方法已经证明了在 32B 规模模型上通过监督微调可以实现高效的推理能力，但研究表明，对于 7B 这样的小型模型，强化学习可能是更优的选择。

这个结果揭示了一个关键洞见：在资源受限的场景下，选择合适的训练策略比盲目追求更具挑战性的数据更为重要。通过将强化学习与智能的数据选择策略相结合，研究者们找到了一条提升小型模型性能的有效途径。

^{参考资料：https://github.com/GAIR-NLP/LIMR}