新闻详情

新闻详情

首页 / 资讯中心 / 详情

第48篇-综合实战一-训练数学推理模型

发布时间:2026/11/4 16:17:20来源:尧图网络
第48篇-综合实战一-训练数学推理模型
【Agentic RL 智能体强化学习】第 48 篇综合实战一 — 训练数学推理模型DeepSeek R1 范式复现本系列定位从强化学习数学基础出发系统讲解 LLM 对齐RLHF/DPO/GRPO到 Agentic RL多轮智能体强化学习的全链路以 OpenRLHF 框架为实战主线。本篇你将学到端到端训练数学推理模型的完整流程数据准备DAPO-Math-17k 数据集处理RLVR 奖励函数LaTeX 答案精确匹配训练配置与监控GSM8K / MATH 基准测试一、项目概述本篇将把前 47 篇的知识综合到一个完整项目中——用 OpenRLHF 训练 Qwen3-4B 获得强数学推理能力。Qwen3-4B-Thinking基座模型准备数学数据DAPO-Math-17k编写 RLVR奖励函数配置训练参数REINFORCE-baseline启动训练OpenRLHF Ray vLLM监控与调优Wandb评估GSM8K / MATH 数学推理模型二、数据准备2.1 数据集DAPO-Math-17k属性值来源zhuzilin/dapo-math-17k样本数~17,000格式{prompt, label}特点高质量数学问题附标准答案2.2 数据格式# 原始数据格式{prompt:计算 $\\int_0^1 x^2 dx$ 的值。,label:\\frac{1}{3}}# OpenRLHF 处理后--data.prompt_dataset zhuzilin/dapo-math-17k--data.input_key prompt--data.label_key label--data.apply_chat_template三、RLVR 奖励函数# math_reward_func.pyimporttorchimportrefromsympyimportsimplify,Eq,sympifyfromsympy.parsing.lateximportparse_latexdefextract_answer(text):从模型输出中提取 \\boxed{} 答案# 匹配 \boxed{...}patterns[r\\boxed\{([^}])\},r答案是\s*[:]?\s*(.?)(?:\n|$),ranswer\s*[:]?\s*(.?)(?:\n|$),]forpatterninpatterns:matchre.search(pattern,text,re.DOTALL)ifmatch:returnmatch.group(1).strip()returnNonedefnormalize_answer(answer):标准化答案格式ifanswerisNone:returnNone# 去除空格和多余符号answeranswer.strip().rstrip(.)# 尝试 LaTeX 解析try:exprparse_latex(answer)returnstr(simplify(expr))except:returnanswerdefmath_verify(predicted,ground_truth):验证数学答案是否正确pred_normnormalize_answer(predicted)gt_normnormalize_answer(ground_truth)ifpred_normisNone:returnFalse# 精确匹配ifpred_normgt_norm:returnTrue# 符号等价检查try:pred_exprsympify(pred_norm)gt_exprsympify(gt_norm)ifsimplify(pred_expr-gt_expr)0:returnTrueexcept:pass# 数值比较try:ifabs(float(pred_norm)-float(gt_norm))1e-6:returnTrueexcept:passreturnFalsedefreward_func(queries,prompts,labels): RLVR 数学奖励函数 batch_sizelen(queries)rewardstorch.zeros(batch_size)correct_count0answered_count0fori,(query,label)inenumerate(zip(queries,labels)):# 提取模型答案predictedextract_answer(query)ifpredictedisnotNone:answered_count1ifmath_verify(predicted,label):rewards[i]1.0correct_count1accuracycorrect_count/batch_size answer_rateanswered_count/batch_sizereturn{rewards:rewards,scores:rewards,extra_logs:{accuracy:accuracy,answer_rate:answer_rate,}}四、训练配置# ray_cluster_setup.shray start--head--node-ip-address0.0.0.0 --num-gpus8# train_math_rlvr.shray job submit--addresshttp://127.0.0.1:8265\--runtime-env-json{working_dir: /openrlhf}\-- python3-mopenrlhf.cli.train_ppo_ray\--actor.model_name_or_pathQwen/Qwen3-4B-Thinking-2507\--reward.remote_urlexamples/python/math_reward_func.py\--data.prompt_datasetzhuzilin/dapo-math-17k\--data.input_keyprompt\--data.label_keylabel\--data.apply_chat_template\\--ref.num_nodes1--ref.num_gpus_per_node4\--actor.num_nodes1--actor.num_gpus_per_node4\--vllm.num_engines2--vllm.tensor_parallel_size2\--train.colocate_all\--vllm.gpu_memory_utilization0.7\--vllm.enable_sleep--ds.enable_sleep\--vllm.sync_backendnccl--vllm.enforce_eager\\--algo.advantage.estimatorreinforce_baseline\--algo.kl.use_loss--algo.kl.estimatork2\--algo.kl.init_coef1e-5\--actor.entropy_coef0.0\--algo.advantage.is_correction_enable\--algo.advantage.is_correction_typeicepop\\--rollout.batch_size128\--rollout.n_samples_per_prompt8\--train.batch_size1024\--algo.dynamic_filtering_enable\--algo.dynamic_filtering_range0.01.0\--train.dynamic_batch_enable\--data.max_len74240\--rollout.max_new_tokens64000\\--ds.zero_stage3--ds.param_dtypebf16\--actor.gradient_checkpointing_enable\--actor.adam.lr5e-7\--ckpt.output_dir./exp/Qwen3-4B-Math-RLVR\--logger.wandb.projectagentic-rl-math五、训练监控指标指标含义期望趋势reward/mean平均奖励↑reward/accuracy答题正确率↑reward/answer_rate有效回答率→ 或 ↑response_length/mean平均回答长度可能 ↑推理链变长kl/meanKL 散度稳定response_length/std回答长度方差可能 ↑多样性六、评估# GSM8K 评估python eval_math.py\--model./exp/Qwen3-4B-Math-RLVR\--benchmarkgsm8k\--n_samples1# MATH 评估python eval_math.py\--model./exp/Qwen3-4B-Math-RLVR\--benchmarkmath\--n_samples16.1 预期结果模型GSM8KMATHQwen3-4B-Base~70%~35%Qwen3-4B-Thinking~85%~50% RLVR 训练后~90%~60%本篇小结步骤关键点数据DAPO-Math-17k奖励LaTeX 精确匹配 符号验证算法REINFORCE±baseline ICEPOP部署Hybrid Engine 8 GPU监控accuracy↑, response_length↑评估GSM8K / MATH 基准下篇预告第 49 篇综合实战二 — 训练工具调用 Agent如果本篇内容对你有帮助欢迎点赞收藏有任何疑问欢迎在评论区交流。
网站建设高端定制企业官网
RELATED

相关资讯

更多精彩内容,欢迎继续阅读

较早相关资讯

最新相关资讯

【外设】之大彩串口显示屏 2026/11/4 15:56:54

【外设】之大彩串口显示屏

大彩串口屏初步使用 1 .官网下载 STM32 屏幕 GUI 设计资料 http://www.gz-dc.com/category/typeid/4112 找到 STM32 Keil 工程,移植相关代码因项目而异进行移植,由于项目简单,本人只对用到的指令接口进行修改。 比如:注意事项&…

阅读更多 →
无法下载Windows系统iso文件 2026/11/3 12:09:35

无法下载Windows系统iso文件

当我遇到这个问题的时候,我打开了一个网站: 登录 然后我打算下载的时候: 突然那个官方的连接就可以下载了:

阅读更多 →
【清华代码熊】DeepSeek V4.1 Flash 后训练详解 2026/11/3 12:09:38

【清华代码熊】DeepSeek V4.1 Flash 后训练详解

📌 上期解析了 DeepSeek V4.1 Flash 模型架构改进,本期解析 DeepSeek V4.1 Flash 预训练/后训练技术: 🌟 预训练:45T 文本 多模态混合语料、直接训练 sparse attention(取消 DeepSeek V4 的 dense 冷启动&…

阅读更多 →
Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ... 2026/11/4 12:33:12

Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ...

文章主要内容和创新点 主要内容 本文聚焦于多模态大语言模型(MLLM)强化学习(RL)训练中的效率问题,提出了一个名为Shuffle-R1的框架。研究发现,当前RL训练存在两个关键缺陷: 优势值坍缩(Advantage Collapsing):批次中大多数优势值集中在零附近,导致有效梯度信号被淹…

阅读更多 →
PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction 2026/11/4 1:25:31

PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction

一、文章主要内容总结 本文聚焦于利用大型语言模型(LLMs)实现个人身份信息(PII)脱敏的研究,旨在解决传统脱敏方法(如基于规则的系统、领域特定命名实体识别(NER)模型)泛化能力差、跨格式/跨语境适应性弱的问题。 研究通过全面评估多种LLM架构(包括密集型LLM(D-LLM…

阅读更多 →
LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model 2026/11/4 3:51:11

LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model

文章主要内容和创新点 主要内容 本文聚焦于二进制图像-文本相关性评估任务(判断图像与文本“相关”或“不相关”),针对该任务中文本格式多样、相关性定义随场景变化等挑战,提出了基于多模态大语言模型(MLLM)的解决方案LLaVA-RE。 模型设计:LLaVA-RE基于LLaVA 1.5架构,…

阅读更多 →

今日资讯

本周资讯

本月资讯

看完文章仍有疑问?

联系尧图顾问,获取一对一建站咨询

立即免费咨询 📞 400-888-8888
📞 ✉