| 原创文章 | |
| 1 | FFN前馈网络与激活函数技术解析：Transformer模型中的关键模块 |
| 2 | Transformer掩码技术全解析：分类、原理与应用场景 |
| 3 | 【大模型技术】Attention注意力机制详解一 |
| 4 | Transformer模型中位置编码（Positional Embedding）技术全解析(三) |
| 5 | Transformer模型中位置编码（Positional Embedding）技术全解析(二) |
| 6 | Transformer模型中位置编码（Positional Embedding）技术全解析(一) |
| 7 | 自然语言处理核心技术词嵌入（Word Embedding），从基础原理到大模型应用 |
| 8 | DeepSeek-v3：基于MLA的高效kv缓存压缩与位置编码优化技术 |
| 9 | 【Tokenization第二章】分词算法深度解析：BPE、WordPiece与Unigram的原理、实现与优化 |
| 10 | Tokenization自然语言处理中分词技术：从传统规则到现代子词粒度方法 |
任务背景
在复杂推理、数学求解和代码生成等任务中，增加测试时间计算（即生成更长的思维链）可以显著提升模型性能。然而，现有的方法缺乏对推理链长度的精确与动态控制，导致无法在性能与效率之间取得理想平衡。
研究难点
- 如何让模型精确控制输出长度？
- 在满足指定长度限制的同时保持准确性？
- 如何训练模型在推理时根据任务动态调整计算资源？
方法概述：LCPO（Length-Controlled Policy Optimization）
设计动机
观察到模型通过生成更长的思维链可提升性能，但其推理长度不可控。因此提出 LCPO，一种专门用于训练推理专用模型以实现精确且自适应长度控制的方法。
核心思想
- 在训练过程中，从预设范围内均匀采样目标长度
。
- 将该长度作为提示的一部分输入模型。
- 使用一个奖励函数评估模型表现：
- 包括答案正确性奖励；
- 减去长度偏差项（实际 token 数与目标 token 数之差乘以系数
）。
- 使用 GRPO（Generalized Reinforcement Policy Optimization）算法 训练模型，最大化累积奖励。
奖励函数设计
奖励函数具有双重目的：
- 鼓励生成正确的答案；
- 在指定较短输出时隐含地倾向于简洁推理；
- 激励模型始终匹配规定的目标长度，即使可用更少 token 得出正确结果。
我们将以此目标训练的模型称为 L1-Exact。
论文实验
数据集
训练数据：DeepScaleR-Preview-Dataset
- 来源：AIME、AMC、Omni-Math 和 STILL 提取的 40,000 个问题-答案对。
- 特点：专注于数学推理问题，用于训练模型在数学领域的推理能力。
- 目标：模型需学习生成正确答案，并满足特定长度约束。
测试数据（共6个测试集）
| 名称 | 描述 | 类型 |
|---|---|---|
| AIME 2025 | 美国数学邀请赛 2025 年试题 | 数学 |
| MATH (Hendrycks et al., 2021b) | 数学问题解决基准 | 数学 |
| AMC | 美国数学竞赛测试集 | 数学 |
| Olympiad-Bench (He et al., 2024) | 奥林匹克级别科学问题 | 科学 |
| GPQA (Rein et al., 2023) | 研究生级问答基准 | 综合 |
| LSAT (Zhong et al., 2023) | 法学院入学考试逻辑题 | 逻辑 |
| MMLU (Hendrycks et al., 2021a) | 多任务语言理解基准 | 知识 |
测试目标：评估模型在不同长度约束下的性能及其在未见过任务上的泛化能力。
模型架构
| 模型名称 | 描述 |
|---|---|
| DeepSeek-R1-Distill-Qwen-1.5B | 经过 R1 推理痕迹微调 |
| DeepScaleR-1.5B-Preview | 原始模型，未进行长度控制修改 |
| DeepScaleR-1.5B-Preview-4K | 使用 4K 上下文长度微调的 Agentic-24K 版本 |
对比方法
- S1（Muennighoff et al., 2025）：预算强制方法，使用简单干预控制推理长度。
评价指标
- 平均长度偏差：
（实际生成 token 数）与
- 准确率（解决问题）：在不同目标长度下模型的总体性能。
- 目标长度集合：{512, 1024, 2048, 3600} tokens。
实现细节
- GRPO 超参数：与 DeepScaleR-1.5B Preview 相同。
- 学习率：1e-6
- Batch Size：128
- 上下文长度：训练时为 4k tokens，评估时扩展至 8k tokens。
- 训练框架：VeRL (MLSys, 2025)
- 训练步数：700 步
- 目标长度采样范围：
，其中
,
- 平衡参数
注意：未进行广泛超参数搜索，预期可通过进一步优化提升性能。
模型类型
| 类型 | 描述 |
|---|---|
| L1-Exact | 要求生成的推理链长度恰好等于目标长度 |
| L1-Max | 要求生成的推理链长度不超过目标长度（动态调整） |
实验目标
- 验证长度控制有效性
-
检查 L1-Exact 和 L1-Max 是否能严格遵循用户指定的长度约束，从而实现推理成本与性能的灵活权衡。
-
评估性能与长度关系
- 分析不同长度约束下模型准确率变化趋势；
-
与现有方法（如 S1）对比优势。
-
探索泛化能力
- 评估模型在训练数据之外的任务（如逻辑推理、知识理解）上的表现；
-
验证是否能将长度控制能力迁移到其他领域。
-
研究短推理链性能
- 探讨 LCPO 在 Short-CoT 场景下的表现；
- 检查在有限 token 预算下是否仍能高效推理。
如果您认为博文还不错，请帮忙点赞、收藏、关注。您的反馈是我的原动力
| 原创文章 | |
| 1 | FFN前馈网络与激活函数技术解析：Transformer模型中的关键模块 |
| 2 | Transformer掩码技术全解析：分类、原理与应用场景 |
| 3 | 【大模型技术】Attention注意力机制详解一 |
| 4 | Transformer模型中位置编码（Positional Embedding）技术全解析(三) |
| 5 | Transformer模型中位置编码（Positional Embedding）技术全解析(二) |
| 6 | Transformer模型中位置编码（Positional Embedding）技术全解析(一) |
| 7 | 自然语言处理核心技术词嵌入（Word Embedding），从基础原理到大模型应用 |
| 8 | DeepSeek-v3：基于MLA的高效kv缓存压缩与位置编码优化技术 |
| 9 | 【Tokenization第二章】分词算法深度解析：BPE、WordPiece与Unigram的原理、实现与优化 |
| 10 | Tokenization自然语言处理中分词技术：从传统规则到现代子词粒度方法 |
)
