北交開源 o1 代碼版：強化學習 + 蒙地卡羅樹搜索，放出源代碼、精選數據集以及衍生模型

12月09日 12:34 新浪網 tech-auto-hilite

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，專注於編碼任務。

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）與蒙地卡羅樹搜索（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，基於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，團隊採用了測試用例生成器，在經過 DPO 後達到 89.2% 的通過率，相比初始微調後的 80.8% 有顯著提升；Qwen2.5-Coder-7B 採用偽代碼方法實現了 74.9% 的平均采樣通過率，提升了 25.6%。

網民直呼很需要這樣的模型。

O1-CODER，究竟長什麼樣？

六步，逐步優化 o1

應用於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並驗證。
定義思考和搜索行為，即確定過程獎勵的對象和粒度。

對於第一個挑戰，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。

對於第二個挑戰，他們採取」先思考後行動「的方式：先通過詳細的偽代碼思考問題，再基於偽代碼生成最終的可執行代碼。

這種方式的優勢在於適應性（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
基於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
利用優化後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。

這裏採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 階段過後，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，研究者引入了基於偽代碼的提示方法，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，儘管整體通過率（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。這為後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地卡羅樹搜索（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，並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於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。

基於這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。

更新後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

本文來自微信公眾號：量子位（ID：QbitAI），作者：西風，原標題《北交開源 o1 代碼版！強化學習 + 蒙地卡羅樹搜索，源代碼、精選數據集以及衍生模型通通開源》

廣告聲明：文內含有的對外跳轉鏈接（包括不限於超鏈接、二維碼、口令等形式），用於傳遞更多信息，節省甄選時間，結果僅供參考，IT之家所有文章均包含本聲明。