Klear-Reasoner— 快手开源的推理模型-人工智能-PHP中文网

Klear-Reasoner— 快手开源的推理模型

聖光之護

发布： 2025-08-20 12:16:48

原创

983人浏览过

klear-reasoner 是由快手团队推出的一款基于 qwen3-8b-base 的推理优化模型，专注于增强数学解题与代码生成方面的深度推理能力。该模型通过长思维链监督微调（long cot sft）和强化学习（rl）策略进行训练，其核心创新在于提出了一种名为 gppo 的新型优化算法。该算法通过保留传统剪裁操作中被丢弃的梯度信息，有效缓解了传统方法在探索能力受限和负样本收敛缓慢上的问题，在 aime、livecodebench 等权威评测中表现卓越，达到当前 8b 规模模型的领先水平。值得一提的是，klear-reasoner 的完整训练流程与技术细节均已公开，为后续推理模型的研究与复现提供了宝贵参考。

思远企业网站管理系统1.0

思远企业网站管理系统是由思远负责人结合多年的开发精髓为企业量身订做的一套全国通用版本的企业网站管理系统，该系统体积小，代码执行速度快，用户操作相当简单而深受大家的喜爱。版本说明:程序采用asp.net(c#)+access(节约企业资源) 1:网站由后台全静态生成前台所有页面,简化操作，一键即可生成大型企业网站 2:网站栏目灵活控制：是为企业量身订做的企业网站，通过模板自由生成各行各业大型企业

查看详情

☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 免费无限量使用 DeepSeek R1 模型☜☜☜
Klear-Reasoner的核心功能

数学问题求解：在处理复杂数学任务方面表现突出，能够应对高难度数学竞赛题目，展现出强大的逻辑推理与多步演算能力。
代码生成与理解：具备高效的代码生成能力，在 LiveCodeBench V5 和 V6 测试中分别取得了 66.0% 和 58.1% 的准确率，验证了其在编程任务中的实用性。
长链推理支持：通过引入长思维链监督微调与强化学习机制，显著提升了模型在多阶段、长链条推理任务中的连贯性与准确性。
高质量数据训练策略：训练过程中优先采用高可信度的数据源，减少噪声干扰；同时保留部分错误样本，以增强模型在复杂场景下的探索与纠错能力。

Klear-Reasoner的底层技术架构

长思维链监督微调（long CoT SFT）：利用高质量、结构清晰的思维链数据进行监督训练，确保模型掌握正确的推理路径。精选少数优质数据源，避免低质数据污染模型学习过程。同时，有选择地保留部分错误样本，尤其在高难度任务中，提升模型的试错与探索潜力。
强化学习优化（RL）：在监督微调基础上引入强化学习，进一步提升模型在数学与编程任务中的推理表现。采用软奖励机制，根据测试用例的通过比例给予梯度反馈，有效缓解奖励稀疏问题，提高训练稳定性。
GPPO（Gradient-Preserving Clipping Policy Optimization）算法：针对传统 PPO 和 GRPO 中因梯度剪裁导致高熵 token 梯度丢失、探索受限的问题，GPPO 创新性地将剪裁操作与反向传播解耦。通过 stop-gradient 机制，保留所有 token 的梯度信息：对高熵 token 限制梯度范围以维持探索，对负样本 token 保留梯度并控制更新幅度，从而加速错误纠正过程。
软奖励机制设计：在代码生成任务中，采用基于测试用例通过率的连续型奖励（软奖励），相比传统的“全有或全无”硬奖励，能提供更密集的训练信号，降低梯度方差，使模型学习更加平稳高效。