逆推理模型：仅用答案数据高效后训练与验证
原文标题：Inverse Reasoning Models for Efficient Post-Training and Verification from Answer-Only Data
重要度 3/5 · AI 综合评估报道影响力与新鲜度，4–5 分为高价值资讯。
该 arXiv 论文提出一种自蒸馏技术，训练一个「逆推理 LLM」，在给定答案的条件下生成原模型的推理链，从而仅用 prompt-answer 数据即可完成后训练，无需标注 CoT。在 Qwen3-0.6B 的 Countdown 与 GSM8K 任务上，GRPO 训练饱和后单轮离线蒸馏可使困难提示的 pass@1 约翻倍，并在 Countdown 上全面优于拒绝采样自蒸馏。逆模型还可作为正确性验证器，将 best-of-n 选择准确率从 0.753 提升至 0.969。
- 问题
- 后训练推理模型缺少标注 CoT 时，监督微调数据低效、强化学习算力浪费。
- 方法
- 训练一个逆推理模型，给定答案反推原模型的推理链，用纯 prompt-answer 数据做离线自蒸馏。
- 结果
- Qwen3-0.6B 上 GRPO 饱和后单轮蒸馏使困难提示 pass@1 约翻倍；验证器把 best-of-n 准确率从 0.753 提到 0.969。
- 影响
- 只有答案数据也能持续后训练推理模型，省去标注 CoT 的成本，适合持续迭代场景。
深读 · 结论先行AI 生成展开看要点与影响 ↓
逆推理模型仅用答案数据自蒸馏，困难提示 pass@1 约翻倍，验证器把 best-of-n 从 0.753 提到 0.969。
- •训练一个「逆推理 LLM」，在给定答案条件下生成原模型的推理链，把 CoT 当隐变量
- •逆模型一次训练、跨批次复用，生成全部离线完成，适合持续后训练
- •Qwen3-0.6B 在 Countdown 与 GSM8K 上，GRPO 饱和后单轮离线蒸馏使困难提示 pass@1 约翻倍
- •Countdown 上在每个混合比、每个困难尾部指标均优于拒绝采样自蒸馏，GSM8K 增益较小
- •作为正确性验证器，best-of-n 选择准确率从 0.753 提升至 0.969
为什么重要：只握有 prompt-answer 数据、没有 CoT 标注的团队，可用它替代昂贵的 RL 后训练流程。
以上深读由 AI 依据标题/摘要/正文节选生成，仅供参考；事实以原文为准。
AI 处理过程展开/收起
相关推荐
OpenAI 宣布数学、计算机科学、物理学三项新发现
AI 摘要OpenAI 宣布在调和分析、复杂性理论和量子场论三个方向取得新发现，并采用与学术界合作的新方法。公司邀请外部专家组织团队理解研究结果，参与者无需签署保密协议、可自由讨论并发表结论，且为自愿无报酬。OpenAI 表示不会为内部模型产生的发现寻求学术署名。
数学家称需数年消化 OpenAI 最新数学成果
AI 摘要OpenAI 本周突然发布近 400 项 AI 生成的数学成果，分布在 700 多份手稿中，覆盖组合数学、几何、数论等多个领域。多位数学家表示「震惊」「难以置信」，认为仅理解这些成果就需数年，且验证程度参差不齐。
OpenAI 公布数学难题突破成果
AI 摘要OpenAI 发布由未公开前沿模型生成的 722 篇数学手稿，覆盖 372 个成果族，声称解决了数百个长期未解问题，并公开 Lean 形式化证明与算力估算。此举延续了 AI 冲击数学界的势头，也引发研究伦理与学术规范的争议。独立顾问组织 AGMAI 呼吁实验室通过正规学术渠道发布成果，而非将其当作营销工具。
OpenAI 再抛数学突破成果引争议
AI 摘要OpenAI 公布 722 篇手稿，称未发布的前沿模型解决了数百个数学开放问题，平均每个结果消耗约三小时 ChatGPT Pro 级算力。成果虽令人震撼，但数学界对发布方式、研究伦理与学术规范提出质疑。AGMAI 建议实验室及时通过正规渠道披露模型、提示词与算力成本，避免把成果当作营销手段。