Generative Universal Verifier as Multimodal Meta-Reasoner
Tsinghua University(清华大学);ByteDance Seed(字节跳动种子);Princeton University(普林斯顿大学)
本文提出生成式通用验证器(OmniVerifier),作为多模态元推理器,通过构建ViVerBench基准和训练OmniVerifier-7B模型,实现视觉验证能力,并利用顺序测试时扩展提升图像生成与编辑性能,增强推理系统的可靠性与可控性。
2025-10-15 cs.AI cs.CL cs.CV
MM-Verify: Enhancing Multimodal Reasoning with Chain-of-Thought Verification
University of Chinese Academy of Sciences(中国科学院大学);Peking University(北京大学);Baichuan Inc.(百川智能)
针对多模态领域缺乏强验证器的问题,本文提出MM-Verifier和MM-Reasoner,通过两步式验证数据合成与高效MMCOT数据合成方法生成微调数据,两者结合在MathVista等基准上表现优异,甚至超过GPT-4o。
2025-02-19 cs.CL cs.CV cs.LG
START: Self-taught Reasoner with Tools
University of Science and Technology of China(中国科学技术大学);Alibaba Group(阿里巴巴集团)
本文提出START,一种通过Hint-infer和Hint-RFT自学习框架微调QwQ-32B、集成外部工具的长思维链推理模型,在多个科学、数学和代码基准上显著超越基础模型并达到先进水平。
2025-03-07 cs.CL
Hard2Verify: A Step-Level Verification Benchmark for Open-Ended Frontier Math
Salesforce AI Research(Salesforce AI研究)
针对前沿开放式数学问题,提出步骤级验证基准Hard2Verify,评估29个验证器,发现开源模型落后于闭源,并分析性能差距原因及验证-生成动态。
2025-10-15 cs.AI cs.CL cs.LG
AdaSTaR: Adaptive Data Sampling for Training Self-Taught Reasoners
KAIST AI(韩国科学技术院人工智能研究所);LG AI Research(LG人工智能研究)
针对自提升推理语言模型训练中随机采样导致的数据失衡问题,提出融合多样性与课程式两条自适应采样原则的AdaSTaR算法,在6个基准上均取得最优准确率,且平均减少58.6%训练FLOPs,效果可跨模型规模迁移。
2025-10-06 cs.AI cs.CL cs.LG
RLPR: Extrapolating RLVR to General Domains without Verifiers
Tsinghua University(清华大学);National University of Singapore(新加坡国立大学);Shanghai Qi Zhi Institute(上海启智研究院);Harbin Institute of Technology(哈尔滨工业大学);Beijing University of Posts and Telecommunications(北京邮电大学);University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校)
针对RLVR依赖验证器难以泛化的问题,提出无验证器框架RLPR,利用LLM自身概率作为奖励信号并稳定训练,在通用与数学基准上显著提升推理能力。
2025-06-23 cs.AI cs.CL cs.LG
B-STaR: Monitoring and Balancing Exploration and Exploitation in Self-Taught Reasoners
The Hong Kong University of Science and Technology(香港科技大学);BAAI(北京智源人工智能研究院);Tencent(腾讯)
本研究提出B-STaR框架,通过自主调整配置来监控并平衡自主学习推理器中的探索与利用,有效缓解了迭代中探索能力衰退和奖励利用减弱的问题,在数学、编程和常识推理任务上显著提升了模型性能。
2025-03-04 cs.AI cs.CL cs.LG
Small Language Models Need Strong Verifiers to Self-Correct Reasoning
University of Michigan(密歇根大学);LG AI Research(LG人工智能研究院);University of Illinois at Chicago(芝加哥伊利诺伊大学)
本文研究小型语言模型的自校正推理能力,提出利用正确解答引导错误批评并筛选后微调的新流程,在多个推理数据集上提升性能,并强调强验证器对自校正效果至关重要。
2024-06-06 cs.CL
RL-STaR: Theoretical Analysis of Reinforcement Learning Frameworks for Self-Taught Reasoner
MediaTek Research(联发科研究院);National Taiwan University(台湾大学);National Chengchi University(国立政治大学);National Tsing Hua University(国立清华大学)
本文提出RL-STaR理论框架,分析强化学习在思维链推理和自训练推理器中的有效性,给出预训练质量准则、策略改进、收敛条件及鲁棒性解释,并在多个小模型上验证了理论预测。
2026-09-22 cs.AI cs.LG
Are LLMs Rigorous Logical Reasoners? Empowering Natural Language Proof Generation by Stepwise Decoding with Contrastive Learning
South China University of Technology(华南理工大学);Likelihood Lab(Likelihood实验室);HKUST(GZ)(香港科技大学(广州));HKUST(香港科技大学)
针对大语言模型自然语言证明规划中现有辅助方法成本高、生成过程探究不足的问题,提出对比学习增强的逐步解码方法,用难例微调缓解解码错误,提升证明生成质量,同时发现大模型仍难生成严谨逻辑链。
2025-10-30 cs.CL
OpenSIR: Open-Ended Self-Improving Reasoner
University of Edinburgh(爱丁堡大学);Imperial College London(伦敦帝国理工学院)
提出OpenSIR框架,通过多样性奖励和难度校准实现开放式自我对弈,无需外部验证器或标注数据,在七个数学基准上平均提升指令模型3.6分、推理模型3.1分,且唯一能泛化到通用推理。
2026-07-07 cs.CL
RankPrompt: Step-by-Step Comparisons Make Language Models Better Reasoners
Alibaba(阿里巴巴)
RankPrompt是一种无需额外资源即可让LLMs自排序响应的新提示方法,通过将排序分解为逐步比较,显著提升了ChatGPT和GPT-4在多个推理任务上的性能,并在自动评估中与人类判断高度一致。
2024-03-22 cs.CL
TelecomGPT-R1: A Unified Open-Source Reasoner for the Telecom Stack
该研究发布开源电信推理器TelecomGPT-R1-9B,通过两阶段后训练方案优化,在公开电信基准中表现优于同类开源模型,性能接近闭源前沿推理器。
2026-08-28 cs.CL cs.IT math.IT
General-Reasoner: Advancing LLM Reasoning Across All Domains
University of Waterloo(多伦多大学);Vector Institute(向量研究所);TikTok(TikTok公司)
本文提出 General-Reasoner 训练范式,通过构建跨学科可验证答案数据集和生成式答案验证器,使基础 LLM 经 RL 训练后在 12 个多领域基准上取得优于基线的通用推理能力。
2025-06-09 cs.CL
STaR: Bootstrapping Reasoning With Reasoning
Stanford University(斯坦福大学);Google Research(谷歌研究院)
逐步生成“思想链”原理可以提高语言模型在复杂推理任务(如数学或常识问答)中的性能。然而,诱导语言模型的基本原理生成目前需要构建大量的基本原理数据集或牺牲准确性,仅使用Few-Shot推理。我们提出了一种技术,迭代地利用少量的理由的例子和一个大的数据集没有理由,引导的能力,连续执行更复杂的推理。这种技术,“自学推理者”(STaR),依赖于一个简单的循环:生成理由来回答许多问题,并给出一些理由示例;如果生成的答案是错误的,则再次尝试生成一个理由,给出正确的答案;微调最终产生正确答案的所有理由;重复。我们表明,STaR显着提高了多个数据集上的性能相比,模型微调,直接预测最终答案,并执行微调30个$\times$更大的最先进的语言模型CommensenseQA。因此,STaR让模型通过从自己生成的推理中学习来改进自己。
2022-05-20 cs.AI cs.CL cs.LG
Improving LLM Reasoning through Scaling Inference Computation with Collaborative Verification
Salesforce AI(Salesforce人工智能公司);University of Notre Dame(圣母大学)
针对大语言模型推理准确性不足的问题,研究通过构建正误解答数据集训练验证器,结合CoT与PoT的协同验证方法扩展推理计算,在数学、代码推理基准上取得SOTA结果。
2024-10-05 cs.AI cs.LG
ASTRO: Teaching Language Models to Reason by Reflecting and Backtracking In-Context
AI at Meta(Meta人工智能);University of Washington(华盛顿大学)
ASTRO框架利用MCTS生成的搜索轨迹微调Llama 3,并通过强化学习提升推理能力,在多个数学基准上取得显著性能提升。
2025-07-01 cs.AI cs.CL
Learning to Reason in LLMs by Expectation Maximization
kaist-ai(韩国科学技术院人工智能学院);adobe(Adobe研究)
本文提出基于奖励的过滤期望最大化方法,通过不同采样方案提升大语言模型的推理能力,实验表明PPS在任务表现上优于其他方案。
2026-01-31 cs.CL cs.LG stat.ML
Hilbert: Recursively Building Formal Proofs with Informal Reasoning
UC San Diego(加州大学圣地亚哥分校);Apple(苹果公司)
Hilbert结合非正式推理与形式验证,通过递归分解问题并利用反馈优化证明,显著提升在形式证明任务中的性能。
2026-03-16 cs.AI cs.FL cs.LG
Training Chain-of-Thought via Latent-Variable Inference
Google(谷歌);OpenAI
本文提出一种基于潜变量推断的MCMC-EM微调方法,通过边际化思维链推理过程来训练LLM,在GSM8K和BIG-Bench Hard上取得优于STaR和提示微调的准确率。
2023-11-28 cs.AI cs.CL cs.LG
Through the Lens of Contrast: Self-Improving Visual Reasoning in VLMs
Huazhong University of Science and Technology(华中科技大学);Alibaba Cloud(阿里云)
通过视觉对比提升VLMs的推理能力,提出VC-STaR框架,有效减少推理幻觉并提升多种VLMs的视觉推理性能。
2026-03-03 cs.AI cs.CL cs.CV
Inference Scaling vs Reasoning: An Empirical Analysis of Compute-Optimal LLM Problem-Solving
New York University(纽约大学)
本文通过在GSM8K数据集上实证分析Quiet-STaR与REBASE的整合,揭示了LLM中推理增强与计算效率优化之间的根本冲突,指出了设计新型架构以弥合竞争目标的必要性。
2024-12-20 cs.CC cs.CL cs.LG
Quiet-STaR: Language Models Can Teach Themselves to Think Before Speaking
Stanford University(斯坦福大学);Notbad AI Inc(Notbad AI公司)
Quiet-STaR通过在每个标记处生成理由来泛化STaR,使语言模型在任意文本中学习推理,从而在无需微调的情况下提升零样本问答性能。
2024-03-18 cs.AI cs.CL cs.LG
Trust, But Verify: A Self-Verification Approach to Reinforcement Learning with Verifiable Rewards
Tencent(腾讯);CUHK(香港中文大学)
针对大语言模型在可验证奖励强化学习中存在的浅层自我反思问题,提出集成式在线强化学习框架RISE,同步训练求解与自验证能力,在数学推理基准上实现准确率与自验证能力的同步提升。
2025-05-19 cs.AI cs.CL
PopuLoRA: Co-Evolving LLM Populations for Reasoning Self-Play
Absolute Zero Reasoner(绝对零理由器);LoRA adapters(LoRA适配器)
本文提出PopuLoRA,一种基于种群的非对称自博弈框架,用于强化学习中可验证奖励(RLVR)的后训练LLM。通过专门的LoRA适配器在共享冻结基座上进行教师和学生分工,教师提出问题,学生在程序验证器下解决,不同亚种群间的交叉评估取代了限制单智能体自博弈的自我校准。LoRA权重空间进化算子家族作为7B规模种群训练循环的替代步骤,实现了种群的协同进化竞赛。
2026-05-16 cs.AI
A Survey of Frontiers in LLM Reasoning: Inference Scaling, Learning to Reason, and Agentic Systems
Salesforce AI Research(Salesforce AI研究);National University of Singapore(国立新加坡大学);Nanyang Technological University(南洋理工大学);The Hong Kong University of Science and Technology (Guangzhou)(香港科学与技术大学(广州));A*STAR, Singapore(新加坡A*STAR)
本文综述了大语言模型推理的前沿方法,从推理阶段和架构两个维度分类,探讨了推理扩展到学习推理及代理系统的发展趋势,涵盖监督微调、强化学习等算法及代理工作流设计。
2026-03-17 cs.AI cs.CL
EvoRubric: Self-Evolving Rubric-Driven RL for Open-Ended Generation
Tongyi Lab , Alibaba Group(通义实验室,阿里巴巴集团)
提出EvoRubric,一种单策略共进化强化学习框架,通过动态交替生成响应和评分标准,并引入多层验证机制,解决开放生成任务中缺乏明确奖励的问题,在医学、写作和科学领域超越传统静态和外部LLM驱动方法。
2026-10-09 cs.CL
On the Self-Verification Limitations of Large Language Models on Reasoning and Planning Tasks
Arizona State University(亚利桑那州立大学)
本文通过GPT-4在Game of 24、Graph Coloring和STRIPS规划上的对比实验,发现自我批评导致性能下降,而可靠外部验证可显著提升性能。
2024-08-03 cs.AI
InternLM-Math: Open Math Large Language Models Toward Verifiable Reasoning
Shanghai AI Laboratory(上海人工智能实验室);Fudan University(复旦大学);University of Southern California(南加州大学);Shanghai Jiaotong University(上海交通大学);Tsinghua University(清华大学)
本文开源了基于 InternLM2 继续预训练的数学大模型 InternLM-Math,统一了思维链、奖励建模、形式推理、数据增强和代码解释器,在多个基准上取得开源最优性能,并探索了 LEAN 作为统一数学求解与证明平台的可能性。
2024-05-24 cs.CL
GPT-4 Doesn't Know It's Wrong: An Analysis of Iterative Prompting for Reasoning Problems
Arizona State University(亚利桑那州立大学)
本文研究了GPT-4在图着色问题上的迭代提示性能,发现其自我批评和验证能力不佳,性能提升仅因正确解碰巧出现在top-k补全中,质疑了LLMs的自我批评能力。
2023-10-19 cs.AI
Anatomy of a Sound Neural Reasoner: One-Shot Amortization, First-Pass Poisoning, and Search Inertness in Clue-Rich Completion
Neapolis University, Pafos(帕福斯新帕福斯大学)
研究富含线索填数问题中神经推理器的表现,发现LDT存在首次通过中毒等问题,添加CoLT可减少无效推导,还给出两种干预措施提升准确率,指出类似LDT系统是一次性摊销预测器,搜索主要消除计算浪费。
2026-07-23 cs.AI cs.LG