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！
名爲O1-CODER，專注于編碼任務。
團隊認爲編碼是一個需要 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。
而他們的策略是将強化學習（RL）與蒙特卡洛樹搜索（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：
當推理正确時，基于僞代碼的推理顯著提升了代碼生成質量
将監督微調（SFT）與直接偏好優化（DPO）相結合能夠提升測試用例生成效果
自我對弈強化學習爲推理和代碼生成創造了持續改進的循環機制
具體來說，團隊采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 采用僞代碼方法實現了 74.9% 的平均采樣通過率，提升了 25.6%。
網友直呼很需要這樣的模型。
O1-CODER，究竟長啥樣？
六步，逐步優化 o1
應用于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并驗證。
定義思考和搜索行爲，即确定過程獎勵的對象和粒度。
對于第一個挑戰，團隊提出訓練一個測試用例生成器（TCG），根據問題和标準代碼自動生成測試用例，爲強化學習提供标準化的代碼測試環境和結果獎勵。
對于第二個挑戰，他們采取 "先思考後行動" 的方式：先通過詳細的僞代碼思考問題，再基于僞代碼生成最終的可執行代碼。
這種方式的優勢在于适應性（同一僞代碼可對應不同的具體實現）和可控粒度（通過調整僞代碼的細節程度控制推理 / 搜索行爲的粒度）。
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），爲代碼測試提供标準化的環境
利用 MCTS 生成包含推理過程的代碼數據
叠代微調策略模型，先生成僞代碼，再生成完整代碼
基于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 步叠代訓練
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。
分爲兩個階段：監督微調（SFT）和直接偏好優化（DPO）。
SFT 階段的主要目标是确保生成器的輸出符合預定義格式，以便準确解析和提取生成的測試用例。訓練數據來自 TACO 數據集。
DPO 階段的目标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。
這裏采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 在标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%，大幅改善了生成器産出可靠測試用例的能力。
僞代碼推理，引導模型進行深度推理
特别值得一提的是，研究者引入了基于僞代碼的提示方法，将其作爲引導模型進行深度推理的 " 認知工具 "。
他們爲此定義了三個關鍵行爲：
使用僞代碼定義算法結構：勾勒主要函數的結構和接口，把握任務的整體框架
細化僞代碼：逐步明确每個函數的具體步驟、邏輯和操作
從僞代碼生成代碼：将僞代碼的結構和邏輯精準翻譯爲可執行代碼
在 MBPP 數據集上進行的初步實驗表明，盡管整體通過率（Pass@1）有所下降，但Average Sampling Pass Rate（ASPR）顯著提高。
表明結合僞代碼顯著改善了推理過程的質量，特别是在細化通向正确輸出的路徑方面。這爲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特卡洛樹搜索（MCTS）來構建步驟級别的過程獎勵數據。
這個過程涉及到爲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，并最終産生一個可執行的代碼。在 MCTS 的路徑探索中，使用僞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僞代碼推理路徑。
終端節點的獎勵值是基于兩個關鍵指标計算的：編譯成功率（compile）和測試用例通過率（pass）。
這些指标被用來評估生成的代碼的質量和正确性。
獎勵值被反向傳播到路徑上的所有前序節點，爲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，爲策略模型的初始化和訓練提供了基礎。
過程獎勵模型（PRM）的任務是爲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。
基于這些經過驗證的正确推理解，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 - 策略優化的叠代循環，确保了系統推理能力的持續提升。
論文鏈接：https://arxiv.org/pdf/2412.00154
參考鏈接：https://x.com/rohanpaul_ai/status/1864488583744377271?s=46&t=iTysI4vQLQqCNJjSmBODPw
