北交開源o1代碼版！強化學習+蒙特卡洛樹搜索，源代碼、精選數據集以及衍生模型通通開源

西風 發自 凹非寺量子位 | 公眾號 QbitAI北京交通大學研究團隊悄默聲推出了一版o1，而且所有源代碼、精選數據集以及衍生模型都開源！名為O1-CODER，專注于編碼任務。團隊認為編碼是一個需要System-2思維方式的典型任務，涉及謹慎、邏輯、一步步的問題解決過程。而他們的策略是將強化學習（RL）與蒙特卡洛樹搜索（MCTS）相結合，讓模型能夠不斷生成推理數據，提升其System-2能力。實驗中，團隊有以下幾點關鍵發現：當推理正確時，基于偽代碼的推理顯著提升了代碼生成質量將監督微調（SFT）與直接偏好優化（DPO）相結合能夠提升測試用例生成效果自我對弈強化學習為推理和代碼生成創造了持續改進的循環機制具體來說，團隊采用了測試用例生成器，在經過DPO后達到89.2%的通過率，相比初始微調后的80.8%有顯著提升；Qwen2.5-Coder-7B采用偽代碼方法實現了74.9%的平均采樣通過率，提升了25.6%。網友直呼很需要這樣的模型。O1-CODER，究竟長啥樣？六步，逐步優化o1應用于代碼生成的自我對弈強化學習面臨兩大挑戰：結果評估，即如何評判生成代碼的質量。與圍棋等任務不同，評估代碼需要在測試環境中運行并驗證。定義思考和搜索行為，即確定過程獎勵的對象和粒度。對于第一個挑戰，團隊提出訓練一個測試用例生成器（TCG），根據問題和標準代碼自動生成測試用例，為強化學習提供標準化的代碼測試環境和結果獎勵。對于第二個挑戰，他們采取”先思考后行動“的方式：先通過詳細的偽代碼思考問題，再基于偽代碼生成最終的可執行代碼。這種方式的優勢在于適應性（同一偽代碼可對應不同的具體實現）和可控粒度（通過調整偽代碼的細節程度控制推理/搜索行為的粒度）。具體來說，研究團隊提出了一個包含六個步驟的框架：訓練測試用例生成器（TCG），為代碼測試提供標準化的環境利用MCTS生成包含推理過程的代碼數據迭代微調策略模型，先生成偽代碼，再生成完整代碼基于推理過程數據初始化過程獎勵模型（PRM）在TCG提供的結果獎勵和PRM提供的過程獎勵的雙重引導下，通過強化學習和MCTS更新策略模型利用優化后的策略模型生成新的推理數據，返回第4步迭代訓練兩階段訓練測試用例生成器在實驗部分，研究人員詳細介紹了測試用例生成器的訓練過程。分為兩個階段：監督微調（SFT）和直接偏好優化（DPO）。SFT階段的主要目標是確保生成器的輸出符合預定義格式，以便準確解析和提取生成的測試用例。訓練數據來自TACO數據集。DPO階段的目標是引導模型生成符合特定偏好的測試用例，進一步提高生成器的性能和可靠性。這里采用了帶有人工構建樣本對的DPO方法，構建了一個偏好數據集。實驗表明，SFT階段過后，TCG在標準代碼上生成的測試用例通過率達到80.8%，DPO階段進一步提升至89.2%，大幅改善了生成器產出可靠測試用例的能力。偽代碼推理，引導模型進行深度推理特別值得一提的是，研究者引入了基于偽代碼的提示方法，將其作為引導模型進行深度推理的“認知工具”。他們為此定義了三個關鍵行為：使用偽代碼定義算法結構：勾勒主要函數的結構和接口，把握任務的整體框架細化偽代碼：逐步明確每個函數的具體步驟、邏輯和操作從偽代碼生成代碼：將偽代碼的結構和邏輯精準翻譯為可執行代碼在MBPP數據集上進行的初步實驗表明，盡管整體通過率（Pass@1）有所下降，但Average Sampling Pass Rate（ASPR）顯著提高。表明結合偽代碼顯著改善了推理過程的質量，特別是在細化通向正確輸出的路徑方面。這為后續的自監督微調和強化學習提供了良好的起點。自我對弈+強化學習研究人員詳細描述了如何使用蒙特卡洛樹搜索（MCTS）來構建步驟級別的過程獎勵數據。這個過程涉及到為每個問題形成一個推理路徑，該路徑由一系列推理步驟組成，并最終產生一個可執行的代碼。在MCTS的路徑探索中，使用偽代碼提示策略來引導推理過程。當達到終端節點時，就形成了一個完整的偽代碼推理路徑。終端節點的獎勵值是基于兩個關鍵指標計算的：編譯成功率（compile）和測試用例通過率（pass）。這些指標被用來評估生成的代碼的質量和正確性。獎勵值被反向傳播到路徑上的所有前序節點，為每個步驟分配一個獎勵值。通過這種方式，構建了推理過程數據集，為策略模型的初始化和訓練提供了基礎。過程獎勵模型（PRM）的任務是為當前步驟分配一個獎勵值，以估計其對最終答案的貢獻。在數據合成過程中使用的樹搜索方法可以組織成點式（point-wise）和成對式（pair-wise）兩種數據格式?；谶@些經過驗證的正確推理解，策略模型得到初始化。接下來，過程獎勵模型（PRM）開始發揮作用，評估每一步推理對最終答案的貢獻。在測試用例生成器（TCG）提供的結果獎勵和PRM提供的過程獎勵的雙重引導下，策略模型通過強化學習不斷改進。更新后的策略模型被用來生成新的推理數據，補充到現有數據集中，形成自我對弈的閉環。這個數據生成-獎勵建模-策略優化的迭代循環，確保了系統推理能力的持續提升。論文鏈接：https://arxiv.org/pdf/2412.00154參考鏈接：https://x.com/rohanpaul_ai/status/1864488583744377271?s=46&t=iTysI4vQLQqCNJjSmBODPw— 完 —MEET2025大會在即倒計時一周 ? 歡迎報名??一年一度的科技頂流盛會就要來了！??兩場GenAI Talk，一場具身智能圓桌，直指時下熱門議題！工業界學術界頂流大咖齊聚，還有兩份關鍵參考「年度AI趨勢報告」、「2024人工智能年度評選」榜單即將發布！了解詳情??點擊報名參會，12月11日，期待與您一起預見智能科技新未來！左右滑動查看最新嘉賓陣容點這里??關注我，記得標星哦～一鍵三連「點贊」、「分享」和「在看」科技前沿進展日日相見 ~