研究职员展现代码执行器受限于模子能力，指明智能体融入符号盘算

研究职员展现代码执行器受限于模子能力，指明智能体融入符号盘算

克日，中国科学手艺大学本科校友、美国哈佛大学博士生陈勇超和所在团队以 Qwen-3B/7B/14B 为初始模子, 用多步监视微调（SFT，Supervised Fine-tuning）和群体相对战略优化（GRPO，Group Relative Policy Optimization）让模子在 144 个推理和妄想的使命上举行训练。训练历程中模子可以自由多次使用代码执行器来资助推理，这些使命都有符号盘算的因素，可是文字推理和符号盘算哪个更合适以及怎样相互配合着实需要模子自主学会。

图 | 陈勇超（泉源：陈勇超）

研究团队发明，训练代码执行器（Code Interpreter）受限于模子的能力。好比，许多模子在太过的文字推理训练后，代码天生能力反而会下降。这种能力下降在 Leetcode 这种特定代码基准上很难体现出来，由于下降的能力是在剖析详细笼统问题到代码或者符号盘算这一步。现实生涯中许多问题也是这样，只管保存符号盘算的因素，可是想要笼统成符号盘算的问题需要有许多思索。

使命的多样性则是另一个挑战。训练单个使命的代码执行系统很容易，可是研究团队发明当使命种类繁多情形下，模子就很难学会凭证差别使命来决议战略，许多使命关于战略的偏好性甚至是相反的。鉴于此，研究团队发明纯粹靠强化学习很难抵达很好的效果，这和在数学使命或检索使命上使用强化学习就能完成训练保存差别之处。“以是，SFT 阶段在我们研究团队的使命上照旧很是主要的。”陈勇超体现。

陈勇超以为，未来基于大模子的署理或者具身智能系统在许多使命中都需要融入符号盘算，就像许多机械人领域的学者以为“未来的模子不是从视觉语言到行动，而是视觉语言到控制”？梢栽ぜ氖，最先应用的是虚拟天下，好比旅行妄想、网页使命以及种种科学问题求解。同时，虽然许多使命并不需要符号盘算，可是仍需要代码执行，例如使命历程中需要绘图来可视化，这些场景也亟需训练模子融入代码执行器。

据先容，R1-Code-Interpreter 事情是研究团队整个大课题的一部分：把符号盘算与基于大模子的推理妄想连系起来（Neuro-Symbolic Foundation Models for Reasoning and Planning）。现在的大模子推理妄想基本都是直接基于纯神经网络以及文字推理来举行。可是，有许多使命都是需要基于符号来盘算优化的，好比要让大模子帮用户妄想旅行蹊径，整个机票、旅馆、时间、所在和交通的选择都是在预算、偏好、行程和价钱等因素下的优化与妄想问题。再好比，机械人中典范的使命与移动妄想。前段时间特殊火的“9.9 和 9.11 比巨细”尚有“strawberry 内里有几个 r”等问题，让大模子天生代码来解决这些问题比直接文字推理要简朴容易得多。

在这个事情之前，研究团队在 ICRA 2024 揭晓的 AutoTAMP[1] 和在 NAACL 2025 揭晓的 TravelPlanner[2] 使用其预先设计好的框架和算法把大模子与符号盘算的工具相连系, 来做机械人和旅行中的妄想问题。这样做能带来很好的效果，可是泛化性会有局限性。好比，面临差别使命需求时，所需要的算法以及框架会纷歧样，这时若为每个场景设计一个框架会显得十分局限。现在大模子之以是这么火，一大缘故原由就是由于它超强的泛化性。以是，研究团队一直思索怎样在让大模子能够在符号盘算的同时，又不损失大模子的泛化能力。

2024 年，陈勇超在微软研究院实习的时间，首先想到的就是以代码为载体，来融合各个算法、控制器和妄想器。一方面，由于符号盘算就是在人为预先设定的规则语言下挪用种种算法，好比编程语言、控制器以及妄想搜索要领等。另一方面，目今的大模子在经由训练后，自然具备代码编程的能力。以是研究团队以为，若是大模子能够自然高效运用代码执行器，然后在文字推理和符号盘算之间无邪调动，那么在处置惩罚种种推理妄想使命时会很是高效。同时，由于是否挪用代码以及选择什么样的算法都是大模子自主完成，以是对泛化性没有损失。

明确了这个偏向之后，研究团队先测试了一下现在 OpenAI 的 Code-Interpreter，借此发明现在 OpenAI 训练的 GPT-4o+代码执行器有许多问题，好比有些使命很显着使用天生代码来解决会更好，可是着实模子仍然会选择自己用文字推理，然后导致蜕化。研究团队还发明，纵然通过调解提醒词指导模子天生代码来解决使命，天生的代码也会经常包括无效的代码，未能充分使用符号盘算。最新的推理模子 o1、o3 尚有 DeepSeek-R1 也被发明保存这些问题。厥后，研究团队把所发明的现有 Code-Interpreter 的问题总结成论文，并以《在代码执行与文本推理之间指导大型语言模子》（Steering Large Language Models between Code Execution and Textual Reasoning）为题揭晓在 2025 国际学习表征聚会（ICLR，International Conference on Learning Representations）[3]。

而为相识决这些缺乏，研究团队实验训练模子来提高自若运用代码执行器的能力。其中涉及到两个偏向：一是特殊训练一个辅助的模子来指导主模子的天生，利益是辅助模子的尺寸和训练难度都要小许多，并且可以通过用最强的主模子来探测现在能抵达的最强能力。二是直接微调单个模子来兼顾纯文字推理以及符号盘算的能力，这对基础模子的能力要求较量高。研究团队一最先实验的是第一种要领，训练出来的 CodeSteer[4] 能够让 GPT-4o 在 8B 模子的指导下，充分使用符号盘算来解决许多推理妄想问题，甚至在许多使命上比 o1 和 DeepSeek-R1 的体现还好。第二种要领就是研究团队在此次 R1-Code-Interpreter 事情中所探讨的。

最终，相关论文以《R1-Code-Interpreter：通过监视学习与强化学习训练大语言模子的代码推理能力》（R1-Code-Interpreter: Training LLMs to Reason with Code via Supervised and Reinforcement Learning）为题揭晓在预印本网站arXiv上 [5]。

图丨相关论文（泉源：arXiv）

陈勇超以为，未来的大模子做推理和妄想使命的时间，应该在三种要领模态直接自由选择和衔接：1）自己直接天生谜底，大模子文字推理或者机械人内里 VLA 天生控制信号；2）挪用外部的工具（tool use）；3）天生代码来创立合适的工具。后续，他妄想探索一些要领把这三种模式都连系起来。同时，也妄想在详细现实的应用使命上抵达更好的效果，来验证想法的可行性。

参考资料：

1.https://arxiv.org/abs/2306.06531

2.https://aclanthology.org/2025.naacl-long.176/

3.https://openreview.net/forum?id=5X5Z7Ffrjb

4.https://arxiv.org/abs/2502.04350

5.https://arxiv.org/abs/2505.21668

相关推荐：fuqer100%202 女人疯狂❌喷水爽动图芭芭拉被❌吸乳羞羞图片

分享： 2025-07-07 02:25:03 共81款