Skip to main content
CenXiv.org
此网站处于试运行阶段,支持我们!
我们衷心感谢所有贡献者的支持。
贡献
赞助
cenxiv logo > cs > arXiv:2504.21233

帮助 | 高级搜索

计算机科学 > 计算与语言

arXiv:2504.21233 (cs)
[提交于 2025年4月30日 ]

标题: Phi-4-Mini-Reasoning:探究小型推理语言模型在数学中的极限

标题: Phi-4-Mini-Reasoning: Exploring the Limits of Small Reasoning Language Models in Math

Authors:Haoran Xu, Baolin Peng, Hany Awadalla, Dongdong Chen, Yen-Chun Chen, Mei Gao, Young Jin Kim, Yunsheng Li, Liliang Ren, Yelong Shen, Shuohang Wang, Weijian Xu, Jianfeng Gao, Weizhu Chen
摘要: Chain-of-Thought (CoT) 显著增强了大型语言模型 (LLMs) 的形式推理能力,通过训练它们明确生成中间推理步骤。 尽管 LLMs 很容易从这些技术中受益,但由于小规模语言模型 (SLMs) 的容量限制,提高它们的推理能力仍然具有挑战性。 Deepseek-R1 的最新研究表明,从 LLM 生成的合成数据中蒸馏可以显著提高 SLM 的推理能力。 然而,详细的建模方法没有被披露。 在这项工作中,我们提出了一个系统性的训练方法,适用于 SLM,该方法包括四个步骤:(1) 在多样化的蒸馏长 CoT 数据上的大规模中期训练,(2) 在高质量长 CoT 数据上的监督微调,(3) 利用精心策划的偏好数据集进行 Rollout DPO,(4) 带有可验证奖励的强化学习 (RL)。 我们将这种方法应用于 Phi-4-Mini,这是一个紧凑型的 38 亿参数模型。 由此产生的 Phi-4-Mini-Reasoning 模型在数学推理任务上超过了更大的推理模型,例如,在 Math-500 上比 DeepSeek-R1-Distill-Qwen-7B 高出 3.2 分,比 DeepSeek-R1-Distill-Llama-8B 高出 7.7 分。 我们的结果显示,一个经过精心设计的训练方法,使用大规模高质量的 CoT 数据,即使在资源受限的小模型中也能有效解锁强大的推理能力。
摘要: Chain-of-Thought (CoT) significantly enhances formal reasoning capabilities in Large Language Models (LLMs) by training them to explicitly generate intermediate reasoning steps. While LLMs readily benefit from such techniques, improving reasoning in Small Language Models (SLMs) remains challenging due to their limited model capacity. Recent work by Deepseek-R1 demonstrates that distillation from LLM-generated synthetic data can substantially improve the reasoning ability of SLM. However, the detailed modeling recipe is not disclosed. In this work, we present a systematic training recipe for SLMs that consists of four steps: (1) large-scale mid-training on diverse distilled long-CoT data, (2) supervised fine-tuning on high-quality long-CoT data, (3) Rollout DPO leveraging a carefully curated preference dataset, and (4) Reinforcement Learning (RL) with Verifiable Reward. We apply our method on Phi-4-Mini, a compact 3.8B-parameter model. The resulting Phi-4-Mini-Reasoning model exceeds, on math reasoning tasks, much larger reasoning models, e.g., outperforming DeepSeek-R1-Distill-Qwen-7B by 3.2 points and DeepSeek-R1-Distill-Llama-8B by 7.7 points on Math-500. Our results validate that a carefully designed training recipe, with large-scale high-quality CoT data, is effective to unlock strong reasoning capabilities even in resource-constrained small models.
主题: 计算与语言 (cs.CL)
引用方式: arXiv:2504.21233 [cs.CL]
  (或者 arXiv:2504.21233v1 [cs.CL] 对于此版本)
  https://doi.org/10.48550/arXiv.2504.21233
通过 DataCite 发表的 arXiv DOI

提交历史

来自: Haoran Xu [查看电子邮件]
[v1] 星期三, 2025 年 4 月 30 日 00:04:35 UTC (305 KB)
全文链接:

获取论文:

    查看标题为《》的 PDF
  • 查看中文 PDF
  • 查看 PDF
  • HTML(实验性)
  • TeX 源代码
  • 其他格式
查看许可
当前浏览上下文:
cs.CL
< 上一篇   |   下一篇 >
新的 | 最近的 | 2025-04
切换浏览方式为:
cs

参考文献与引用

  • NASA ADS
  • 谷歌学术搜索
  • 语义学者
a 导出 BibTeX 引用 加载中...

BibTeX 格式的引用

×
数据由提供:

收藏

BibSonomy logo Reddit logo

文献和引用工具

文献资源探索 (什么是资源探索?)
连接的论文 (什么是连接的论文?)
Litmaps (什么是 Litmaps?)
scite 智能引用 (什么是智能引用?)

与本文相关的代码,数据和媒体

alphaXiv (什么是 alphaXiv?)
CatalyzeX 代码查找器 (什么是 CatalyzeX?)
DagsHub (什么是 DagsHub?)
Gotit.pub (什么是 GotitPub?)
Hugging Face (什么是 Huggingface?)
带有代码的论文 (什么是带有代码的论文?)
ScienceCast (什么是 ScienceCast?)

演示

复制 (什么是复制?)
Hugging Face Spaces (什么是 Spaces?)
TXYZ.AI (什么是 TXYZ.AI?)

推荐器和搜索工具

影响之花 (什么是影响之花?)
核心推荐器 (什么是核心?)
IArxiv 推荐器 (什么是 IArxiv?)
  • 作者
  • 地点
  • 机构
  • 主题

arXivLabs:与社区合作伙伴的实验项目

arXivLabs 是一个框架,允许合作伙伴直接在我们的网站上开发和分享新的 arXiv 特性。

与 arXivLabs 合作的个人和组织都接受了我们的价值观,即开放、社区、卓越和用户数据隐私。arXiv 承诺这些价值观,并且只与遵守这些价值观的合作伙伴合作。

有一个为 arXiv 社区增加价值的项目想法吗? 了解更多关于 arXivLabs 的信息.

这篇论文的哪些作者是支持者? | 禁用 MathJax (什么是 MathJax?)
  • 关于
  • 帮助
  • contact arXivClick here to contact arXiv 联系
  • 订阅 arXiv 邮件列表点击这里订阅 订阅
  • 版权
  • 隐私政策
  • 网络无障碍帮助
  • arXiv 运营状态
    通过...获取状态通知 email 或者 slack

京ICP备2025123034号