LIMO颠覆认知：无需10万级数据，数学推理竟可用极少样本激发！

LIMO颠覆认知：无需10万级数据，数学推理竟可用极少样本激发！

原创 无影寺 AI帝国 2025年02月08日 09:16 广东

现有认知被挑战：复杂推理真的需要海量数据吗？

在人工智能领域，数学推理一直被认为是最难掌握的能力之一。传统观点认为，要让大模型学会复杂推理，必须使用数十万甚至上百万的训练样本，否则只能停留在“记忆”而非“推理”层面。然而，LIMO 研究团队发现，这一观点可能并不正确。他们的实验表明，仅用 817 条精心挑选的样本，就能让大模型在数学推理任务上达到前所未有的高性能，甚至超越使用 100 倍数据训练的模型。

LIMO方法揭秘：为何“少即是多”？

LIMO 团队提出了“Less-Is-More Reasoning (LIMO) 假设”，即：

 1、现代大模型在预训练阶段已编码大量数学知识，因此核心问题不再是如何让模型学习新知识，而是如何激发它已有的知识。    

 2、高质量的训练样本远比数据量更重要，少量但精准的示例可以作为“认知模板”，引导模型更有效地利用已有知识进行推理。

基于这一假设，LIMO 研究团队设计了一套仅包含 817 个数学推理示例的训练集，但每个示例都经过精细挑选，强调逻辑推理链的构建，使模型在有限数据下也能形成稳健的推理能力。

    

实验结果：极少数据如何击败大规模训练？

LIMO 模型在多个数学推理基准上取得了惊人的成绩：

•AIME 高级数学竞赛：57.1% 准确率，相比之前最强 SFT（监督微调）模型仅 6.5% 的成绩，提升近 50 个百分点！

•MATH 数据集：94.8% 准确率，相比之前最优模型的 59.2% 大幅提升。

•10 个跨领域推理任务的平均提升 40.5%，甚至超过使用 100 倍数据训练的模型！

更令人惊讶的是，LIMO 展现出了极强的泛化能力，不仅能在训练数据上表现出色，在完全未见过的新题目上依然能够取得优秀成绩。这直接挑战了“监督微调只会导致记忆，而不是推理”的传统观点。    

    

LIMO的启示：推理能力的未来如何发展？

LIMO 研究证明，大模型的推理能力并不受限于训练数据的规模，而是取决于训练样本的质量和模型在推理时的计算资源。这为 AI 研究者提供了新的思路：

•未来训练 AI 或许不需要无止境地扩展数据规模，而是专注于如何高效设计训练示例，激发模型已有的知识。

•AI 可能比我们想象中更容易具备复杂推理能力，只要找到合适的方式引导它们“思考”。

               

LIMO 研究已经开源（GitHub 传送门），有兴趣的研究者可以亲自体验这一“少即是多”的突破性成果。你认为未来 AI 的推理能力会如何发展？欢迎留言讨论！

               

论文标题：LIMO: Less is More for Reasoning 

论文链接：https://arxiv.org/abs/2502.03387