【论文速读】利用负信号蒸馏：用REDI框架提升LLM推理能力
论文信息
arXiv:2505.24850 cs.LG cs.AI cs.CL
Harnessing Negative Signals: Reinforcement Distillation from Teacher Data for LLM Reasoning
Authors: Shuyao Xu, Cheng Peng, Jiangxuan Long, Weidi Xu, Wei Chu, Yuan Qi
一、研究背景：被浪费的“错误宝藏”
想象你在学数学题，老师只给你看正确解答，却从不讲解错误思路为啥错——这时候你可能会疑惑：“我怎么知道自己哪里容易踩坑？”
大语言模型（LLM）的蒸馏训练就面临类似问题。传统方法（如拒绝采样）只保留老师模型生成的正确推理痕迹（正样本），扔掉错误推理痕迹（负样本）。但这些负样本里藏着大量“避坑指南”：比如模型常犯的逻辑错误、边界条件遗漏等。
举个例子，在数学推理中，老师模型可能试过错误的公式套用或步骤顺序，这些失败案例对小模型学习“如何避免犯错”至关重要。但现有方法白白浪费了这些信息，导致小模型只能“学正确答案”，却“不懂错误根源”，推理能力提升有限。
二、创新点：让错误成为“学习信号”
这篇论文的核心突破是：首次系统利用负样本进行强化蒸馏，提出两阶段框架REDI（Reinforcement Distillation），解决了三大问题：
- 负样本利用率低：传统方法丢弃负样本，REDI将其转化为可学习的损失信号。
- 稳定性与性能的矛盾：现有方法（如DPO）依赖KL散度正则化，高正则化虽稳定但限制性能，低正则化则容易训练崩溃。REDI通过非对称加权损失（α参数）平衡两者，既避免崩溃又提升峰值性能。
- 数据效率低下：用更少数据（131k正负样本）超越需800k专有数据的模型，开源数据也能训出SOTA。
三、研究方法和思路：两步走的“纠错学习法”
阶段1：用正确答案打基础（SFT）
- 目标：让小模型先学会“正确推理的样子”。
- 方法：用正样本（老师的正确推理痕迹）进行监督微调（SFT），优化目标是最大化生成正确痕迹的概率：
- 作用：建立基础推理能力，作为后续优化的起点。
阶段2：用错误答案做强化（REDI目标函数）
- 目标：让小模型学会“识别错误”，避免重复老师的失误。
- 方法：引入负样本，设计非对称加权损失函数，同时优化两个方向：
最大化正样本概率：让正确推理更可能被生成。
最小化负样本概率：抑制错误推理，但通过参数α降低负样本的梯度权重（α∈[0,1]），避免过度惩罚导致模型“不敢推理”。
损失函数：
α的作用：α=1时等价于对称损失（易崩溃），α=0时退化为仅用正样本。实验发现α=0.8时平衡最佳。
实验验证：小数据也能超越大厂模型
- 数据：从Open-R1数据集提取78k正样本（D_SFT）和53k正负样本对（D_Pref），总数据量131k。
- 对比模型：
- 基线：SFT（仅正样本）、SFT+DPO/SimPO（传统强化方法）。
- 竞品：DeepSeek-R1-Distill-Qwen-1.5B（用800k专有数据训练）。
- 结果：
- Qwen-REDI-1.5B在MATH-500基准上达到83.1%准确率（pass@1），超过DeepSeek-R1-Distill-Qwen-1.5B的83.2%，且数据量仅为其1/6。
- 消融实验显示，REDI的非对称加权比对称损失（α=1）更稳定，比DPO/SimPO性能提升1-2%。
四、主要贡献：三大突破推动LLM蒸馏
- 方法论创新：提出REDI框架，首次在离线蒸馏中有效利用负样本，打破“负样本=无用数据”的固有认知。
- 性能提升：用开源数据实现1.5B模型SOTA，数据效率提升6倍，为小团队和开源社区提供低成本方案。
- 理论分析：揭示DPO等方法中KL正则化的“性能-稳定性”矛盾，为未来损失函数设计提供方向。
五、总结：错误是最好的老师
这篇论文证明，LLM的“错误”不是垃圾，而是珍贵的学习信号。REDI通过“先学对、再辨错”的两步法，让小模型既能掌握正确推理模式，又能识别常见错误，实现了推理能力的跨越式提升。更重要的是，其数据高效性（131k样本）和开源友好性（基于Open-R1），让更多研究者能复现和改进，推动LLM推理能力向低成本、高效化方向发展。
未来，REDI框架可进一步与在线RL结合，形成“离线蒸馏+在线优化”的完整链路，或许能解锁更复杂的推理场景——毕竟，连错误都能被利用的模型，才是真正“会学习”的模型。