为什么语言模型推理能力的评估「水分」这么大？

近几年，ChatGPT、Claude等大模型的「数学解题」「逻辑推理」能力突飞猛进，各大实验室争相发布「突破性成果」。但论文一针见血地指出：很多所谓的进步，可能只是评测标准不统一导致的假象！

论文：A Sober Look at Progress in Language Model Reasoning: Pitfalls and Paths to Reproducibility
链接：https://arxiv.org/pdf/2504.07086

比如，同一道数学题，模型答案的正确率可能因为以下「玄学因素」剧烈波动：

• 随机种子：就像抽奖的运气，换一个随机数，正确率能差10%以上
• 温度参数：模型答题是「保守」还是「放飞自我」，结果天差地别
• 硬件配置：用不同的GPU跑同一模型，正确率能差8%
• 提示词格式：加不加「请仔细思考」这句话，可能让结果直接崩盘

更夸张的是，许多论文评测时只用30道题的小数据集（如AIME’24）。这种情况下，多答对1题就能让正确率提升3%，导致结果毫无说服力。

实验：连硬件和标点符号都能影响结果？

为了验证这些「玄学因素」，作者做了大量实验：

• 随机种子实验：用20个不同的随机种子测试模型，发现正确率波动最高达15%
• 温度参数对比：温度调高（模型更「放飞」），正确率可能提升，但波动也更大
• 硬件差异：同一模型在不同GPU集群上跑，正确率差异堪比模型升级
• 提示词格式：用错聊天模板，指令微调模型的性能直接「腰斩」

最讽刺的是，某些论文宣称的「RL方法提升10%」，在统一评测标准后，实际改进连统计显著性都没有。

强化学习（RL）进步是假，监督微调（SFT）才是真神？

论文最颠覆的结论是：当前强化学习（RL）对推理能力的提升被严重高估，而监督微调（SFT）才是「低调的实力派」。

• RL的尴尬：
• 在蒸馏模型（如DeepSeek-R1）上，RL训练几乎无提升，甚至可能过拟合小数据集（如AIME’24）。
• 换到新数据集（如AIME’25），RL模型的性能直接「跳水」。
• SFT的稳定：
• 用高质量解题步骤数据做监督微调，模型在多个基准上表现稳定，且能泛化到新任务（如OlympiadBench）。
• 例如，OpenThinker模型在标准化评测中全面碾压RL方法。

论文甚至调侃：「RL训练像买彩票，SFT才是存定期」。

如何让评测不再「玄学」？

作者提出一套「防坑指南」，呼吁行业统一标准：

1. 硬件软件标准化：所有实验用同一Docker镜像和云服务器（如Runpod的A100）。
2. 多随机种子测试：小数据集至少跑10次取平均，避免「运气好」导致的虚高结果。
3. 超参数调优：每个模型单独调温度、top_p等参数，不能「一刀切」。
4. 答案匹配优化：用LaTeX解析答案，避免字符串匹配的「格式投机」（如\boxed{2}和2算同一答案）。

此外，作者开源了所有代码、提示词和模型输出，号召「阳光评测，拒绝黑箱」。

这篇论文给行业泼了什么冷水？

• 给研究者的提醒：别再「刷榜」了！追求SOTA（最高性能）前，先确保结果可复现。
• 给企业的启示：RL训练成本高、收益低，不如扎扎实实做SFT数据。
• 给用户的真相：模型宣传的「推理能力提升」，可能只是评测游戏的胜利，而非真实进步。

论文最后呼吁：「AI推理的进步，需要方法论先行，而非论文数量竞赛」。