摘要：一个月前，我们曾报道过清华姚班校友、普林斯顿教授陈丹琦似乎加入 Thinking Machines Lab的消息。有些爆料认为她在休假一年后，会离开普林斯顿，全职加入 Thinking Machines Lab。

思考自身行为的后果，并在必要时进行修正 —— 这是人类智慧的核心特征之一。

一个月前，我们曾报道过清华姚班校友、普林斯顿教授陈丹琦似乎加入 Thinking Machines Lab 的消息。有些爆料认为她在休假一年后，会离开普林斯顿，全职加入 Thinking Machines Lab。

最近，陈丹琦在普林斯顿大学的团队发布了最新学术成果，表明了 RLVR 范式在可验证领域之外依然有效，提出了 基于模型奖励思维的强化学习（RLMT） 方法，它将显式的思维链推理融入通用聊天模型之中。

论文标题：Language Models that Think, Chat Better

论文链接：https://www.arxiv.org/overview/2509.20357v1

众所周知，大型语言模型传统上遵循一种多阶段训练范式：首先在大规模文本语料上进行 预训练，然后通过 监督微调 来学习指令跟随，最后借助 强化学习 来对齐人类偏好。

这种方法确实催生了功能强大的对话式 AI 系统，但仍存在一个关键局限：

在数学、编程等领域通过可验证奖励的强化学习（RLVR）所获得的推理能力，并不能有效迁移到通用对话任务上。

本文介绍了 基于模型奖励的思维强化学习（RLMT） 方法，它弥合了 专门推理能力 与 通用对话能力 之间的差距。该方法使语言模型能够在开放式任务中进行显式的「思考」过程，将 链式思维 的优势从可验证领域扩展到更广泛的范围，从而提升整体对话表现。

使用基于奖励模型的强化学习，在多样化的、通用的用户提示上训练具备长链式思维的语言模型。与 RLHF 相比，RLMT 让模型能够进行「思考」，并且将 RLVR 扩展到了更广泛的、开放式任务之中。

当前的大语言模型训练面临一个根本性的两难局面。像 DeepSeek-R1 所采用的 RLVR 方法，在数学推理和代码生成等领域表现突出，因为它们训练模型在给出最终答案之前生成显式的推理轨迹。然而，这类专门化的推理技能难以推广到日常对话中多样化、主观性强的任务场景里，因为这些任务缺乏可行的基于规则的验证机制。

与之相对，RLHF（基于人类反馈的强化学习） 在对齐模型与人类偏好、提升通用对话能力方面非常成功，但它将模型输出视为一个整体，并未鼓励模型发展内部推理过程。结果导致模型要么能在窄域内进行出色的推理，要么能在广域中进行自然对话，但难以同时兼顾两种能力。

RLMT（基于模型奖励的思维强化学习） 的动机来源于一个关键观察：人类在处理开放式对话任务时，自然而然会进行审慎思考—— 包括规划、权衡不同可能性、不断修正回答。若能让语言模型也采用类似的显式推理过程，就可能在保持基于偏好的对齐优势的同时，显著提升其在通用对话基准上的表现。

RLMT 方法: RLHF 与 RLVR 结合

优化目标

尽管最新的 RLVR 模型在形式化领域中表现出色，但它们在更广泛的推理问题和聊天基准测试中的泛化能力有限。与此同时，规划与推理确实有助于人类完成各种日常任务。

研究团队提出 模型奖励思维强化学习（RLMT），以在开放式任务上施加广泛监督。RLMT 通过以下目标函数来优化语言模型：

如公式所示，RLMT 要求语言模型在生成最终回答 y 之前，先生成推理轨迹 z。这与 RLHF 不同；同时，RLMT 使用奖励模型 r 来对回答进行评分，而不像 RLVR 那样依赖基于规则的验证。

训练方法

由于当前使用的语言模型并不会自然采用所需的思维格式，因此研究团队尝试了两种方法来引导这一行为：

通过有监督微调（SFT）进行热启动；

直接对基础模型进行提示而不经过 SFT（即 DeepSeek-AI (2025) 提出的 「Zero」 方法）。

通过 SFT 热启动。 首先通过有监督微调（SFT）来教授模型所需的思维格式。

具体来说，团队从 Tülü 3 SFT 混合数据集中采样了 6k 个提示（与用于 RLMT 的提示互不重叠），用于 SFT。使用 Gemini 2.5 Flash (0417 Preview) 生成响应，它是近期常用的一种教师模型，用于从推理模型中蒸馏推理行为 。由于 Gemini 的 CoT 不可直接获取，通过提示它在生成最终回答之前，先产生一个模拟的思维轨迹。

基础模型的零训练。 研究团队也直接在未经热启动的基础模型上应用 RLMT，这一设置称为 Zero。

具体而言，在 Llama-3.1-8B (Llama3, 2024) 和 Qwen-2.5-7B (Qwen-2.5, 2025) 上进行了实验，这些模型都没有经历过后训练。在这种情况下，通过在输入前添加一个固定的指令前缀来引导所需的输出结构。除此之外，后续的 RL 训练过程与 RLMT 的设置保持一致。

结果：思维有利于开放式推理

实验比较了在 Llama-3.1-8B 和 Qwen2.5-7B（base 和 instruct 版本）上进行热启动 与 zero 训练的模型。表中展示了是否启用「思维」，其中 ✓ 表示 RLMT 模型，× 表示 RLHF 模型。

可以看到，启用思维的模型在表现上优于非思维基线模型，尤其是在聊天和创意写作任务上。主要关注点是聊天基准测试：WildBench (WB)、AlpacaEval2 (AE2) 和 ArenaHardV2 (AH2)。在评估未经训练的 base 模型时，研究团队使用了 思维模板 和 非思维模板 (tpl) 两种提示方式。

表 2：将 Llama-3.1-8B-InstructRLMT 与强大的开源和闭源模型进行比较，包括 GPT-4o 和 Claude-3.7-Sonnet。

从表中可以看到，Warm-start + RLMT 在 DPO/PPO 下依然有效，但整体落后于 GRPO；而在 zero training 设置下，DPO 和 PPO 相比 GRPO 效果明显不足。

RL 训练如何改变模型行为

研究团队分析思维模型（thinking models）在聊天基准测试上表现优异的原因。具体做法是，将 Llama-3.1-8B-Instruct-RLMT（最佳模型） 与其 仅 warm-start 但未经过 RLMT 的版本进行对比，结果发现：

SFT 模型的思维过程往往从分层规划开始（先列大纲、分小节、用 checklist 进行规划）。

RLMT 模型则更倾向于先列出约束条件和相关子主题，再将想法归为主题组，最后才规划具体细节。

规划风格上，SFT 模型是线性的，而 RLMT 模型是迭代式的：会回头修订之前的部分，比如交叉引用已提及的观点。

这些差异反映出 优秀写作者的思维习惯，而 RLMT 的训练能自然地诱发这些特质，令人鼓舞。

左图：展示了 SFT 模型与 GRPO 模型在不同思维特征上的逐项对比胜率。红色表示该特征在经过 GRPO 训练后减弱，绿色表示该特征增强。右图：给出了一段推理行为示例。当被要求撰写一个推文串时，模型首先梳理出题目要求的各种约束条件，然后规划推文的整体展开顺序。接着，它会通过 checklist 对全局进行检查，并标注出需要修正之处，最后才生成最终输出。

总结

RLMT 成功地将显式推理的优势从专业化领域扩展到通用对话式人工智能，在保持计算效率的同时实现了显著的性能提升。该方法在不同模型架构、训练算法和评测基准上的有效性，表明它具有广泛的适用性，并有潜力重塑我们对语言模型训练的方式。通过让模型「先思考再表达」，RLMT 代表着迈向更智能、更强大的对话式人工智能系统的重要一步。

更多细节，请参阅原论文。

来源：新浪财经