frameworks, license, tasks

frameworks	license	tasks
Pytorch	Apache License 2.0	text-generation

本模型论文解读，请看公众号文章 👇🏻

觉察流 - Satori 带来 COAT：解锁大语言模型自省及推理潜能，告别教师模型

声明：本模型完全转载自 Huggingface 上的 Satori-reasoning/Satori-7B-Round2
更多模型信息，请关注下文👇🏻， 为原数据集仓库的中文版说明。

仓库作者在此 👇🏻 扫一扫

下载方式

当前模型的贡献者未提供更加详细的模型介绍。模型文件和权重，可浏览“模型文件”页面获取。

您可以通过如下git clone命令，或者ModelScope SDK来下载模型

SDK下载

#安装ModelScope
pip install modelscope

#SDK模型下载
from modelscope import snapshot_download
model_dir = snapshot_download('okwinds/Satori-7B-Round2')

Git下载

#Git模型下载
git clone https://www.modelscope.cn/okwinds/Satori-7B-Round2.git

模型介绍

Satori-7B-Round2 是一个基于开源模型（Qwen-2.5-Math-7B）和开源数据（OpenMathInstruct-2 和 NuminaMath）训练的 7B 大型语言模型（LLM）。Satori-7B-Round2 能够进行自回归搜索，即在没有外部指导的情况下进行自我反思和自我探索。这是通过我们提出的 Chain-of-Action-Thought（COAT）推理方法和两阶段后训练范式实现的。

我们的方法

我们将 LLM 推理表述为一个序贯决策问题，推理是一个逐步构建和优化答案的过程。具体来说，LLM（代理的策略）从输入上下文（初始状态）开始，生成一个推理步骤（动作），并更新上下文（下一个状态）。LLM 重复这一过程，直到得出最终答案，并接收一个评估最终答案是否与真实答案匹配的奖励。通过这种表述，我们可以使用强化学习（RL）训练 LLM 推理，目标是生成一系列推理步骤，以最大化预期奖励。

Chain-of-Action-Thought 推理（COAT）

实现自回归搜索的关键挑战是使 LLM 能够在没有外部干预的情况下确定何时进行反思、继续或探索替代解决方案。为此，我们引入了几个特殊的元动作标记，以引导 LLM 的推理过程：

• 继续推理（<|continue|>）：鼓励 LLM 在当前推理轨迹的基础上生成下一个中间步骤。
• 反思（<|reflect|>）：提示模型暂停并验证之前推理步骤的正确性。
• 探索替代解决方案（<|explore|>）：信号模型识别推理中的关键缺陷并探索新的解决方案。

我们将这种表述称为 Chain-of-Action-Thought（COAT）推理。每个 COAT 推理步骤是一个以其中一个元动作标记开头的标记序列。

训练框架概述

1. 一个小规模的格式调整（FT）阶段，帮助基础 LLM 内化 COAT 推理格式。
2. 一个大规模的自我提升阶段，利用强化学习和“重启和探索”（RAE）技术。

通过模仿学习进行格式调整

这一阶段的目标是微调预训练的基础 LLM，使其模仿一些具有 COAT 推理格式的推理轨迹。为了合成包含尝试和错误的 COAT 轨迹，我们提出了一个多智能体数据合成框架，利用三个 LLM：

• 生成器：给定一个输入问题，生成器使用经典的 CoT 技术为给定输入问题生成多个推理路径。
• 评论家：评论家评估生成器生成的推理路径的正确性，提供反馈以优化推理并解决次优步骤。
• 奖励模型：奖励模型为优化后的推理路径分配分数，并选择最有效的路径作为最终演示轨迹。

这三个模型协作构建高质量的演示轨迹。我们观察到，少量（10K）的演示轨迹足以让基础 LLM 遵循 COAT 推理格式。

通过强化学习进行自我提升

通过格式调整，LLM 已经采用了 COAT 推理风格，但在未见过的问题上泛化能力不足。RL 阶段旨在激励利用自我反思来提高推理的实际能力。我们从格式调整后的 LLM 开始，并进一步使用经典的 PPO 算法进行优化，同时采用两个关键策略：

• 重启和探索（RAE）：受 Go-Explore 的启发，我们训练 LLM 策略不仅从问题陈述开始推理，还从过去轨迹中采样的中间步骤开始推理，无论是正确的还是错误的。我们还添加了探索奖励，以鼓励更深入的反思，进一步增加策略得出正确答案的机会。
• 迭代自我提升：策略可能会收敛到局部次优解，无法进一步改进。受 Kickstarting 的启发，每轮 RL 训练后，我们将当前教师策略的知识通过监督微调蒸馏到学生模型（基础 LLM）中。从新微调的 LLM 开始，我们再进行一轮 RL 训练。

Satori-7B-Round2 是通过第二轮迭代自我提升获得的。

使用方法

import os
from tqdm import tqdm
import torch
from vllm import LLM, SamplingParams

def generate(question_list, model_path):
    llm = LLM(
        model=model_path,
        trust_remote_code=True,
        tensor_parallel_size=1,
    )
    sampling_params = SamplingParams(
        max_tokens=4096,
        temperature=0.0,
        n=1,
        skip_special_tokens=True # 隐藏special tokens，如 "<\|continue\|>"、"<\|reflect\|>" 和 "<\|explore\|>"
    )
    outputs = llm.generate(question_list, sampling_params, use_tqdm=True)
    completions = [[output.text for output in output_item.outputs] for output_item in outputs]
    return completions

def prepare_prompt(question):
    prompt = f"<|im_start|>user\n高效且清晰地解决以下数学问题。\n请逐步推理，并将最终答案放在 \\boxed{{}} 中。\n问题: {question}<|im_end|>\n<|im_start|>assistant\n"
    return prompt

def run():
    model_path = "Satori-reasoning/Satori-7B-Round2"
    all_problems = [
        "哪个数字更大？9.11 还是 9.9？",
    ]
    completions = generate(
        [prepare_prompt(problem_data) for problem_data in all_problems],
        model_path
    )

    for completion in completions:
        print(completion[0])

if __name__ == "__main__":
    run()

基准测试性能

Satori-7B-Round2 在领域内推理基准（数学推理）和领域外基准（一般推理任务）上进行了评估。所有结果均报告为零样本 pass@1 准确率，使用贪婪采样。

评估任务

• 数学推理基准：GSM8K、MATH500、AMC2023、AIME2024 和 OlympiadBench。除了 GSM8K，所有其他数据集都包含竞赛级别的问题。
• 一般领域推理基准：
  • 逻辑推理：FOLIO、BoardgameQA（BGQA）。
  • 代码推理：CRUXEval。
  • 常识推理：StrategyQA（STGQA）。
  • 表格推理：TableBench。
  • 特定领域推理：MMLUPro STEM 子集（STEM），包括物理、化学、计算机科学、工程、生物学和经济学。

数学推理基准

Satori-7B-Round2 实现了 SOTA 性能，并且优于使用相同基础模型（Qwen-2.5-Math-7B）的 Qwen-2.5-Math-7B-Instruct。

规模	模型	GSM8K	MATH500	OlymBench	AMC2023	AIME2024	平均值
大型	Llama-3.1-70B-Instruct	94.1	68.0	29.4	42.5	13.3	49.5
	OpenMath2-Llama3.1-70B	94.1	71.8	30.1	45.0	13.3	50.9
	QwQ-32B-Preview	95.5	90.6	61.2	77.5	50.0	75.0
小型	Llama-3.1-8b-Instruct	84.4	51.9	15.1	22.5	3.3	35.4
	OpenMath2-Llama3.1-8B	90.5	67.8	28.9	37.5	6.7	46.3
	NuminaMath-7B-CoT	78.9	54.6	15.9	20.0	10.0	35.9
	Qwen-2.5-7B-Instruct	91.6	75.5	35.5	52.5	6.7	52.4
	Qwen-2.5-Math-7B-Instruct	95.2	83.6	41.6	62.5	16.7	59.9
	Satori-7B-Round2	93.9	83.6	48.5	72.5	23.3	64.4

一般领域推理基准

仅在数学数据集上训练的 Satori-7B-Round2 在多种领域外推理基准上表现出强大的迁移能力，并且大幅超越了 Qwen-2.5-Math-7B-Instruct。此外，尽管未在其他领域进行训练，Satori-7B-Round2 的性能与或超过了其他小型通用指令模型。

规模	模型	FOLIO	BGQA	CRUXEval	StrategyQA	TableBench	STEM	平均值
大型	Llama-3.1-70B-Instruct	65.0	58.3	59.6	88.8	34.2	61.7	61.3
	OpenMath2-Llama3.1-70B	68.5	68.7	35.1	95.6	46.8	15.1	55.0
	QwQ-32B-Preview	84.2	71.1	65.2	88.2	51.5	71.3	71.9
小型	Llama-3.1-8b-Instruct	63.5	50.3	38.5	92.2	32.4	43.4	53.4
	OpenMath2-Llama3.1-8B	57.1	49.0	11.1	84.4	34.2	10.9	41.1
	NuminaMath-7B-CoT	53.2	44.6	28.0	77.8	29.1	11.3	40.7
	Qwen-2.5-7B-Instruct	72.4	53.0	58.1	91.3	43.2	57.1	62.5
	Qwen-2.5-Math-7B-Instruct	68.9	51.3	28.0	85.3	36.2	45.2	52.5
	Satori-7B-Round2	72.9	58.5	41.1	90.4	44.6	57.4	60.8

资源

我们提供了我们的训练数据集：

• 包含 300K 个唯一问题的完整格式调整数据集。 okwinds/Satori_FT_data
• 包含 550K 个唯一问题的 RL 数据集。 okwinds/Satori_RL_data

引用

如果您觉得我们的模型和数据有帮助，请引用我们的论文：

@misc{shen2025satorireinforcementlearningchainofactionthought,
      title={Satori: Reinforcement Learning with Chain-of-Action-Thought Enhances LLM Reasoning via Autoregressive Search},
      author={Maohao Shen and Guangtao Zeng and Zhenting Qi and Zhang-Wei Hong and Zhenfang Chen and Wei Lu and Gregory Wornell and Subhro Das and David Cox and Chuang Gan},
      year={2025},
      eprint={2502.02508},
      archivePrefix={arXiv},
      primaryClass={cs.CL},
      url={https://arxiv.org/abs/2502.02508},
}