北京交通大学研究团队悄默声推出了一版o1，而且所有源代码、精选数据集以及衍生模型都开源！名为O1-CODER，专注于编码任务。团队认为编码是一个需要System-2思维方式的典型任务，涉及谨慎、逻辑、一步步的问题解决过程。
而他们的策略是将强化学习（RL）与蒙特卡洛树搜索（MCTS）相结合，让模型能够不断生成推理数据，提升其System-2能力。
实验中，团队有以下几点关键发现：
当推理正确时，基于伪代码的推理显著提升了代码生成质量
将监督微调（SFT）与直接偏好优化（DPO）相结合能够提升测试用例生成效果
自我对弈强化学习为推理和代码生成创造了持续改进的循环机制
具体来说，团队采用了测试用例生成器，在经过DPO后达到89.2%的通过率，相比初始微调后的80.8%有显著提升；Qwen2.5-Coder-7B采用伪代码方法实现了74.9%的平均采样通过率，提升了25.6%。
网友直呼很需要这样的模型。
O1-CODER，究竟长啥样？
六步，逐步优化o1
应用于代码生成的自我对弈强化学习面临两大挑战：
结果评估，即如何评判生成代码的质量。与围棋等任务不同，评估代码需要在测试环境中运行并验证。
定义思考和搜索行为，即确定过程奖励的对象和粒度。
对于第一个挑战，团队提出训练一个测试用例生成器（TCG），根据问题和标准代码自动生成测试用例，为强化学习提供标准化的代码测试环境和结果奖励。
对于第二个挑战，他们采取”先思考后行动“的方式：先通过详细的伪代码思考问题，再基于伪代码生成最终的可执行代码。
这种方式的优势在于适应性（同一伪代码可对应不同的具体实现）和可控粒度（通过调整伪代码的细节程度控制推理/搜索行为的粒度）。
具体来说，研究团队提出了一个包含六个步骤的框架：
训练测试用例生成器（TCG），为代码测试提供标准化的环境
利用MCTS生成包含推理过程的代码数据
迭代微调策略模型，先生成伪代码，再生成完整代码
基于推理过程数据初始化过程奖励模型（PRM）
在TCG提供的结果奖励和PRM提供的过程奖励的双重引导下，通过强化学习和MCTS更新策略模型
利用优化后的策略模型生成新的推理数据，返回第4步迭代训练
两阶段训练测试用例生成器
在实验部分，研究人员详细介绍了测试用例生成器的训练过程。
分为两个阶段：监督微调（SFT）和直接偏好优化（DPO）。
SFT阶段的主要目标是确保生成器的输出符合预定义格式，以便准确解析和提取生成的测试用例。训练数据来自TACO数据集。
DPO阶段的目标是引导模型生成符合特定偏好的测试用例，进一步提高生成器的性能和可靠性。
这里采用了带有人工构建样本对的DPO方法，构建了一个偏好数据集。
实验表明，SFT阶段过后，TCG在标准代码上生成的测试用例通过率达到80.8%，DPO阶段进一步提升至89.2%，大幅改善了生成器产出可靠测试用例的能力。
伪代码推理，引导模型进行深度推理
特别值得一提的是，研究者引入了基于伪代码的提示方法，将其作为引导模型进行深度推理的“认知工具”。
他们为此定义了三个关键行为：
使用伪代码定义算法结构：勾勒主要函数的结构和接口，把握任务的整体框架
细化伪代码：逐步明确每个函数的具体步骤、逻辑和操作
从伪代码生成代码：将伪代码的结构和逻辑精准翻译为可执行代码
在MBPP数据集上进行的初步实验表明，尽管整体通过率（Pass@1）有所下降，但Average Sampling Pass Rate（ASPR）显著提高。
表明结合伪代码显著改善了推理过程的质量，特别是在细化通向正确输出的路径方面。这为后续的自监督微调和强化学习提供了良好的起点。
自我对弈+强化学习
研究人员详细描述了如何使用蒙特卡洛树搜索（MCTS）来构建步骤级别的过程奖励数据。
这个过程涉及到为每个问题形成一个推理路径，该路径由一系列推理步骤组成，并最终产生一个可执行的代码。在MCTS的路径探索中，使用伪代码提示策略来引导推理过程。当达到终端节点时，就形成了一个完整的伪代码推理路径。
终端节点的奖励值是基于两个关键指标计算的：编译成功率（compile）和测试用例通过率（pass）。
这些指标被用来评估生成的代码的质量和正确性。
奖励值被反向传播到路径上的所有前序节点，为每个步骤分配一个奖励值。通过这种方式，构建了推理过程数据集，为策略模型的初始化和训练提供了基础。
过程奖励模型（PRM）的任务是为当前步骤分配一个奖励值，以估计其对最终答案的贡献。
在数据合成过程中使用的树搜索方法可以组织成点式（point-wise）和成对式（pair-wise）两种数据格式。
基于这些经过验证的正确推理解，策略模型得到初始化。
接下来，过程奖励模型（PRM）开始发挥作用，评估每一步推理对最终答案的贡献。在测试用例生成器（TCG）提供的结果奖励和PRM提供的过程奖励的双重引导下，策略模型通过强化学习不断改进。
更新后的策略模型被用来生成新的推理数据，补充到现有数据集中，形成自我对弈的闭环。这个数据生成-奖励建模-策略优化的迭代循环，确保了系统推理能力的持续提升。
论文链接：https://arxiv.org/pdf/2412.00154
参考链接：https://x.com/rohanpaul_ai/status/1864488583744377271?s=46&t=iTysI4vQLQqCNJjSmBODPw