AM-Thinking-v1论文解读：以32B规模推进推理前沿

《AM-Thinking-v1: Advancing the Frontier of Reasoning at 32B Scale》论文解读

一、引言

过去半年，大型语言模型（LLMs）在推理领域（如数学问题求解和代码生成）取得了显著进展，扩大了其在现实场景中的应用范围。开源社区的能力也在不断增强，例如 DeepSeek-R1 的发布显示出开源模型能够与 OpenAI 的 o1、Google 的 Gemini 2.5 和 Anthropic 的 Claude 3.7 等专有系统相媲美。然而，许多近期的突破依赖于大规模的混合专家（MoE）架构，这带来了显著的基础设施负担，并使模型部署和微调变得复杂。

与之相对，中等规模（例如 32B）的稠密模型在效率和可部署性上更具优势，但在推理性能上往往落后于 MoE 模型。这引发了一个关键研究问题：是否可以通过精心设计的后训练流程，在不依赖私有数据或大规模 MoE 架构的情况下，释放 32B 级别稠密模型的推理潜力？

为此，研究者们提出了 AM-Thinking-v1，这是一个基于开源 Qwen2.5-32B 基础模型构建的推理优化语言模型。它在多个推理基准测试中实现了与开源模型相比的最先进性能，甚至超越了许多更大型的 MoE 模型。

二、数据

AM-Thinking-v1 的训练数据全部来自公开数据集，涵盖数学推理、代码生成、科学推理、指令遵循和通用聊天等任务。

（一）数据收集

• 数学推理 ：确保每个数据点都包含可验证的真值，使用了 OpenR1-Math-220k、Big-Math-RL-Verified 等多个数据集。

• 代码生成 ：保证所有收集的代码数据都包含可验证的测试用例，选用了 PRIME、DeepCoder、KodCode 等数据集。

• 科学推理 ：包含自然科学（物理、化学等）和逻辑推理，主要是多项选择题，配对可靠的真值，包括 task_mmmlu、chemistryQA 等数据集。

• 指令遵循（IF） ：选择了 Llama-Nemotron-PostTraining-Dataset、tulu-3-sft-mixture 两个指令遵循数据集。

• 通用聊天 ：涵盖范围广泛的任务，包括开放式查询、通用知识和日常推理，支持单轮和多轮交互，选用了 evol、InfinityInstruct 等数据集。

（二）查询过滤

收集数据后，首先去除重复项，然后进行两项清理步骤：

• 去除包含 URL 的查询 ：模型在训练期间无法访问外部链接，URL 的存在可能导致幻觉或误导性输出。

• 去除引用图像的查询 ：由于模型是纯文本的，无法感知或处理任何视觉信息，因此排除这类查询。

最后，利用精确匹配和语义去重，从训练集中移除与评估集中相似的查询。

（三）数学查询过滤

在分析数学数据时，发现存在查询描述不清晰或不完整以及真值错误的问题。为此，使用大型语言模型（LLM）分析并过滤掉缺乏清晰或完整描述的查询，并实施严格的真值验证过程。

（四）合成响应过滤

在查询过滤后，应用三种方法过滤掉低质量的合成响应：

• 基于困惑度（Perplexity）的过滤 ：使用之前训练的 32B 模型计算每个模型生成响应的困惑度（PPL），丢弃超过预设阈值的响应。

• 基于 N-gram 的过滤 ：丢弃包含连续重复短语的模型响应。

• 基于结构的过滤 ：对于多轮对话，确保最后一轮是助手的响应，并要求每个模型生成的回复包含完整的思考和回答部分。

三、方法

（一）监督微调（SFT）

• 数据 ：使用大约 284 万个样本进行监督微调（SFT）训练，涵盖数学、代码、科学、指令遵循和通用聊天五大类别。

• 训练配置 ：基于 Qwen2.5-32B 基础模型进行 SFT。采用较大的学习率和批量大小，确保稳定收敛和有效学习。使用 8e-5 的学习率、最大序列长度 32k（带序列打包），丢弃超过 32k 令牌的样本。全局批量大小设置为 64，训练 2 个周期，采用余弦热身策略，热身步数设置为总训练步数的 5%，之后学习率衰减至 0。对于多轮对话数据，仅使用包含推理过程的最终响应作为训练目标并贡献损失，专注于推理部分的学习。

（二）强化学习（RL）

• 训练查询的选择 ：在强化学习（RL）阶段之前，根据 SFT 模型获得的数学和代码查询的通过率进行筛选，只保留通过率严格在 0 到 1 之间的查询，以确保训练数据足够具有挑战性，同时避免过于简单或过于困难的实例。

• RL 流程 ：RL 管道包括两个阶段，当模型在第一阶段的性能达到平稳时，进入第二阶段。在第二阶段，去除所有在第一阶段以 100% 准确率正确回答的数学和代码查询，并补充 15k 通用聊天和 5k 指令遵循数据，以提高更广泛的泛化能力。采用集团相对策略优化（GRPO）作为训练算法，经过一系列的配置和优化，以确保训练的稳定性和性能的提升。

（三）RL 框架

• 训练管道 ：基于 verl 框架构建，使用 GRPO 进行强化学习。verl 是一个开源的 RL 框架，与 vLLM、FSDP 和 MegatronLM 集成，实现在 1000 多个 GPU 上的可扩展 RL 训练。

• 扩展和优化 ：对 verl 进行了一系列扩展和优化，包括推出速度优化和奖励计算优化。

四、实验

（一）评估

• 基准测试 ：在多个具有挑战性的基准上评估模型，包括美国数学邀请赛 2024（AIME2024）、美国数学邀请赛 2025（AIME2025）、LiveCodeBench（LCB）和 Arena-Hard。

• 评估方法 ：保持所有基准的标准化评估条件，最大生成长度设置为 49,152 令牌。对于需要随机采样的基准，统一采用温度为 0.6 和 top-p 值为 0.95。

• 提示策略 ：在所有评估中使用一致的系统提示，以引导模型的响应格式。根据基准的不同，对用户提示进行相应调整。

• 基线模型 ：将 AM-Thinking-v1 与多个强大的基线模型进行比较，包括专有和开源系统，如 DeepSeek-R1、Qwen3-235B-A22B、OpenAI-o1 等。

（二）结果

AM-Thinking-v1 在多个推理基准测试中表现出色，在数学任务上，在 AIME2024 和 AIME2025 上分别获得 85.3 和 74.4 的分数，超越或接近 DeepSeek-R1 和 Qwen3-235B-A22B 等更大模型。在 LiveCodeBench 基准测试中，获得 70.3 的分数，显著优于 DeepSeek-R1、Qwen3-32B 和 Nemotron-Ultra253B 等模型。在通用聊天基准 Arena-Hard 上，获得 92.5 的分数，与 OpenAI-o1 和 o3-mini 等专有模型具有竞争力，但性能仍落后于 Qwen3-235B-A22B，表明在通用对话能力方面仍有提升空间。

五、结论与局限性

AM-Thinking-v1 作为一个 32B 级别的稠密语言模型，在开源模型中展现了最先进的推理能力，超越了 DeepSeek-R1，甚至接近 Qwen3-235B-A22B 和 Seed1.5-Thinking 等顶级混合专家（MoE）模型的性能。这得益于基于开源训练查询和基础模型精心设计的后训练流程，通过系统数据预处理、彻底的真值验证以及精心设计的 SFT 和 RL 框架，成功地从一个中等规模模型中激发了先进的推理能力。

然而，AM-Thinking-v1 也存在局限性。它不支持结构化函数调用、工具使用和多模态输入，限制了其在基于代理或跨模态场景中的应用。安全对齐还处于初步阶段，需要进一步的红队测试。此外，其性能在低资源语言和特定领域任务中可能会有所变化。

六、核心技术汇总表格