研究團(tuán)隊(duì)打造出懂得"量力而行"的人工智能

這項(xiàng)名為"ARM：自適應(yīng)推理模型"的研究由復(fù)旦大學(xué)的吳思燁、謝?。?xiàng)目負(fù)責(zé)人）、張亦凱、陳愛麗與俄亥俄州立大學(xué)的張凱和蘇宇共同完成，于2025年5月26日發(fā)表在arXiv預(yù)印本平臺(tái)（arXiv:2505.20258v1）。感興趣的讀者可以通過項(xiàng)目官方網(wǎng)站（https://team-arm.github.io/arm）獲取更多信息。

想象一下，如果你讓一個(gè)數(shù)學(xué)天才回答"漢堡通常在哪里可以找到？"這樣的簡單問題，而他卻開始深入探討食品分類學(xué)、餐飲業(yè)的歷史發(fā)展和消費(fèi)者行為心理學(xué)，最后花了半小時(shí)才得出"餐廳"這個(gè)顯而易見的答案。這種"小題大做"的情況，在人工智能領(lǐng)域被稱為"過度思考"（overthinking）問題。

如今，像OpenAI-o1和DeepSeek-R1這樣的大型推理模型（Large Reasoning Models，簡稱LRMs）在解決復(fù)雜問題時(shí)表現(xiàn)出色，但它們存在一個(gè)明顯的缺陷：不論問題難易，它們總是傾向于使用冗長的推理鏈（Long Chain-of-Thought，簡稱Long CoT）來解決所有問題。這就像派一位數(shù)學(xué)教授去解決"1+1=？"這樣的問題，結(jié)果他寫了三頁紙的證明過程。這種"過度思考"不僅浪費(fèi)計(jì)算資源，有時(shí)甚至?xí)腩~外的噪音，反而誤導(dǎo)模型得出錯(cuò)誤結(jié)論。

為了解決這個(gè)問題，復(fù)旦大學(xué)和俄亥俄州立大學(xué)的研究團(tuán)隊(duì)開發(fā)了"自適應(yīng)推理模型"（Adaptive Reasoning Model，簡稱ARM）。這個(gè)模型最大的特點(diǎn)是能夠根據(jù)任務(wù)難度自動(dòng)選擇最合適的推理方式，就像一個(gè)懂得"量力而行"的學(xué)生，簡單題直接答，難題才詳細(xì)思考。

ARM：四種推理方式，應(yīng)對(duì)不同難度的任務(wù)

ARM模型支持四種不同的推理格式，其中三種是高效的簡潔形式，一種是詳盡的復(fù)雜形式：

首先是"直接回答"（Direct Answer）。這種方式就像我們回答"1+1=？"一樣，直接給出答案，不需要任何推理過程，適合非常簡單明了的問題。

其次是"簡短思維鏈"（Short CoT）。這種方式會(huì)先進(jìn)行簡短的推理，然后給出答案。就像我們解答"15×12=？"時(shí)，可能會(huì)簡單思考："15×10=150，15×2=30，所以15×12=180"。

第三種是"代碼推理"（Code）。這種方式使用編程代碼進(jìn)行推理，由于代碼結(jié)構(gòu)化的特性，它在處理某些問題時(shí)非常高效，就像使用計(jì)算器解決數(shù)學(xué)問題一樣。

最后是"長思維鏈"（Long CoT）。這種方式會(huì)進(jìn)行詳細(xì)、迭代的推理過程，適合需要高級(jí)推理能力的復(fù)雜任務(wù)，比如需要自我反思和多角度思考的問題。

與傳統(tǒng)大型推理模型不同的是，ARM不會(huì)對(duì)所有問題都使用最復(fù)雜的Long CoT方式，而是會(huì)根據(jù)問題的難度選擇最合適的推理格式。就像一個(gè)聰明的學(xué)生，簡單的問題直接答，中等難度的問題用簡短思考，只有遇到真正困難的問題才會(huì)詳細(xì)地一步步推導(dǎo)。

如何訓(xùn)練出"懂得輕重"的AI？Ada-GRPO登場(chǎng)

要訓(xùn)練出能夠根據(jù)任務(wù)難度自適應(yīng)選擇推理格式的模型，研究團(tuán)隊(duì)采用了兩階段訓(xùn)練框架：

第一階段是監(jiān)督微調(diào)（Supervised Fine-tuning，簡稱SFT）。在這個(gè)階段，研究團(tuán)隊(duì)使用了大量標(biāo)注好的問題，每個(gè)問題都有四種不同推理格式（直接回答、簡短思維鏈、代碼、長思維鏈）的解答。通過這種方式，模型學(xué)會(huì)了如何使用這四種不同的推理格式解決問題。

然而，僅僅通過監(jiān)督微調(diào)，模型只是學(xué)會(huì)了不同的推理格式，卻沒有學(xué)會(huì)根據(jù)任務(wù)難度選擇合適的格式。這就像一個(gè)學(xué)生學(xué)會(huì)了多種解題方法，但不知道什么時(shí)候該用哪種方法最合適。

為了解決這個(gè)問題，研究團(tuán)隊(duì)在第二階段引入了"自適應(yīng)群組相對(duì)策略優(yōu)化"（Adaptive Group Relative Policy Optimization，簡稱Ada-GRPO）算法。這是對(duì)傳統(tǒng)GRPO算法的改進(jìn)版本。

傳統(tǒng)的GRPO算法在訓(xùn)練過程中會(huì)傾向于選擇準(zhǔn)確率最高的推理格式（通常是Long CoT），導(dǎo)致"格式崩潰"（format collapse）問題——模型最終幾乎只使用一種推理格式，無法根據(jù)任務(wù)難度進(jìn)行自適應(yīng)選擇。這就像一個(gè)學(xué)生被教導(dǎo)"用最嚴(yán)謹(jǐn)?shù)姆椒ń馑蓄}"，結(jié)果簡單的1+1也要寫一頁紙證明。

Ada-GRPO通過一個(gè)"格式多樣性獎(jiǎng)勵(lì)機(jī)制"解決了這個(gè)問題。具體來說，它會(huì)根據(jù)推理格式在訓(xùn)練中出現(xiàn)的頻率調(diào)整獎(jiǎng)勵(lì)值，為使用頻率較低的格式提供更高的獎(jiǎng)勵(lì)，以防止它們?cè)谟?xùn)練過程中消失。同時(shí)，它還引入了"衰減因子"，確保這種多樣性獎(jiǎng)勵(lì)不會(huì)過度影響模型的準(zhǔn)確性。

這就像教學(xué)生學(xué)習(xí)不同的解題方法時(shí)，特意鼓勵(lì)他們嘗試使用多種方法，而不是只用一種。隨著學(xué)生能力的提升，這種刻意的引導(dǎo)會(huì)逐漸減少，最終學(xué)生能夠自然地根據(jù)題目難度選擇最合適的解題方法。

ARM的三種工作模式：適應(yīng)性、指令引導(dǎo)和共識(shí)引導(dǎo)

除了默認(rèn)的"自適應(yīng)模式"（Adaptive Mode）外，ARM還支持另外兩種推理模式：

"指令引導(dǎo)模式"（Instruction-Guided Mode）允許用戶通過特殊標(biāo)記（如）明確指定要使用的推理格式。這在用戶已知一批任務(wù)適合某種特定推理格式時(shí)非常有用，就像告訴學(xué)生"這次考試全用公式法解題"一樣。

"共識(shí)引導(dǎo)模式"（Consensus-Guided Mode）則會(huì)先使用三種高效的推理格式（直接回答、簡短思維鏈和代碼）生成答案，并檢查它們之間是否達(dá)成一致。如果三種方法得出相同答案，那么這個(gè)答案就被采納；如果它們之間存在分歧，則模型會(huì)切換到更詳細(xì)的Long CoT格式進(jìn)行推理。這種模式優(yōu)先考慮性能，以較高的token使用為代價(jià)，就像先讓三個(gè)助教快速判卷，如果他們意見一致就采納，意見不一致再請(qǐng)教授詳細(xì)評(píng)閱。

實(shí)驗(yàn)結(jié)果：效率大幅提升，準(zhǔn)確率不減反增

研究團(tuán)隊(duì)在多個(gè)評(píng)估數(shù)據(jù)集上測(cè)試了ARM模型，包括常識(shí)推理任務(wù)（如CommonsenseQA和OpenBookQA）、數(shù)學(xué)推理任務(wù)（如SVAMP、GSM8K、MATH和AIME'25）以及符號(hào)推理任務(wù)（如Big-Bench-Hard）。

實(shí)驗(yàn)結(jié)果令人印象深刻：與僅使用Long CoT的模型相比，ARM在保持相當(dāng)準(zhǔn)確率的同時(shí)，平均減少了約30%的token使用量，在某些情況下甚至減少了高達(dá)70%。這就像一個(gè)聰明的學(xué)生，簡單題用幾秒鐘就解決了，而傳統(tǒng)方法的學(xué)生卻對(duì)每道題都花費(fèi)大量時(shí)間進(jìn)行詳細(xì)推導(dǎo)。

更值得注意的是，相比于傳統(tǒng)GRPO算法，Ada-GRPO不僅減少了token使用量，還實(shí)現(xiàn)了約2倍的訓(xùn)練速度提升。這是因?yàn)樵谟?xùn)練過程中，三種高效的推理格式（直接回答、簡短思維鏈和代碼）生成的token數(shù)量遠(yuǎn)少于Long CoT，從而加快了訓(xùn)練進(jìn)度。

研究團(tuán)隊(duì)還進(jìn)行了更深入的分析：

首先，他們發(fā)現(xiàn)ARM的自適應(yīng)模式能夠在有效性和token效率之間取得最佳平衡，在不同難度的任務(wù)上都表現(xiàn)出色。

其次，不同基礎(chǔ)模型對(duì)ARM的性能影響有限。無論是使用基礎(chǔ)模型還是經(jīng)過指令微調(diào)的模型，都能獲得類似的結(jié)果。然而，使用DeepSeek-R1-Distill作為基礎(chǔ)模型時(shí)，ARM在困難任務(wù)上表現(xiàn)更好，但在簡單任務(wù)上表現(xiàn)較差，且token消耗增加。

最后，研究團(tuán)隊(duì)將ARM與基于長度懲罰的策略進(jìn)行比較。他們發(fā)現(xiàn)，隨著token預(yù)算的減少，基于長度懲罰的策略性能會(huì)顯著下降，而ARM卻能保持穩(wěn)定的性能。

為什么ARM如此重要？

ARM模型的意義遠(yuǎn)不止于節(jié)省計(jì)算資源。在人工智能追求完全自主的背景下，它代表了一種更接近人類思維方式的進(jìn)步。

人類在解決問題時(shí)，會(huì)根據(jù)問題的難度自動(dòng)調(diào)整思考的深度和方法。簡單問題可能靠直覺就能解決，而復(fù)雜問題則需要深入思考和多角度分析。傳統(tǒng)的大型推理模型缺乏這種自適應(yīng)能力，它們對(duì)所有問題都"全力以赴"，這不僅效率低下，有時(shí)甚至?xí)m得其反。

ARM模型通過學(xué)習(xí)何時(shí)應(yīng)該"深思熟慮"，何時(shí)可以"直截了當(dāng)"，邁出了讓AI更像人類思維的重要一步。這種能力在實(shí)際應(yīng)用中尤為重要，它可以讓AI在保持高性能的同時(shí)，大幅降低計(jì)算成本和能源消耗，為更廣泛的應(yīng)用場(chǎng)景鋪平道路。

此外，ARM的設(shè)計(jì)理念也為解決AI領(lǐng)域的其他問題提供了新思路。"根據(jù)任務(wù)難度自適應(yīng)調(diào)整策略"這一思想，可以應(yīng)用于許多其他AI系統(tǒng)中，如自動(dòng)駕駛、醫(yī)療診斷、金融分析等，幫助它們?cè)趶?fù)雜多變的環(huán)境中做出更明智的決策。

總的來說，ARM模型代表了人工智能領(lǐng)域的一個(gè)重要進(jìn)步，它不僅提高了推理效率，更向我們展示了AI如何能更接近人類的思維方式，在保持高性能的同時(shí)避免"小題大做"的資源浪費(fèi)。