00后硕士揭开AI推理“黑科技”：两个Token，基模追平强化学习版本

智东西
作者 杨京丽
编辑 李水青

智东西10月10日报道，一项来自麻省理工学院（MIT）等机构的研究发现，只要固定基础模型回答开头的两个Token，就能让模型的数学推理成绩接近对应的强化学习版本。

以艾伦人工智能研究所（Ai2）的基础模型Olmo-3-7B为例，将回答固定为“.\n\nOkay”开头后，模型在MATH-500上的准确率从42%升至78%，超过其强化学习版本的75%。

这个过程没有修改模型参数，也没有给模型增加新的解题示例。模型只是换了一个回答起点，原本没有稳定表现出来的解题能力，似乎就更容易被调用出来。

换句话说，基础模型答错题，有时不一定是完全不会做，而是没有进入能够解题的状态。强化学习的一部分作用，可能正是让模型更容易选择这种有效的回答开头。

这一发现来自论文《基础模型可以借助训练数据中的线索进行推理（Base Models Can Reason By Taking a Cue From Training Data）》。论文于10月5日提交，由MIT、加州大学伯克利分校、华盛顿大学和艾伦人工智能研究所的研究者共同完成。

论文第一作者是麻省理工学院硕士生索菲·L·王（Sophie L. Wang）和加州大学伯克利分校博士生阿米尔·德拉维德（Amil Dravid）。索菲·L·王目前仍是MIT的硕士生，她从2023年进入MIT本科，2026年进入MIT硕士，目前她已先后在ICML和NeurIPS上发表研究成果。

论文链接：

https://arxiv.org/abs/2610.06851

项目链接：

https://www.sophielwang.com/cues

开源地址：

https://github.com/sophicle/cues

一、回答开头只改两个token，基础模型准确率追平强化学习版本

论文将模型回答拆分为“开头token线索”和后续生成内容两部分。研究者通过预先固定回答开头，观察不同开头如何改变模型接下来的生成结果。

他们首先观察Olmo-3-7B在MATH-500上的回答。正确答案中，约有50%的回答以“.\n\n”（句号加两个换行）开头，错误答案中这一比例只有14%。句号和换行本身没有提供数学知识，却与正确率出现了明显关联。

研究者随后从模型可能生成的回答开头中寻找有效线索。他们先用搜索方法找出基础模型较可能生成的短开头，再让模型从每个开头继续回答，比较多次采样结果的一致性。

对Olmo-3-7B，最终选中的开头是“.\n\nOkay”；对Qwen3-14B，选中的是“ Alright,”。研究者把这些文字预先填入模型回答，再让模型自行生成后续内容。

在MATH-500上，Olmo-3-7B基础模型自行生成回答开头时，其准确率约为42%；将回答开头固定为“.\n\nOkay”后，准确率升至约78%，高于其强化学习版本约75%的成绩。

Qwen3-14B使用“ Alright,”作为回答开头后，准确率则从72%提高到87%，与强化学习版本持平。相同开头还被用于GSM8K、AMC 23、AIME 2024等数学测试，在多数测试中都能带来提升。在代码生成测试HumanEval上，固定开头提高了Olmo-3-7B的成绩；Qwen3-14B的成绩则与不固定开头时相近。

论文中展示了一道具体题目的生成差异。题目较为简单，要求计算834名学生占全校人数三分之二时，全校共有多少名学生。

当模型以“.\nAnswer”开头时，它直接给出“1002”，答案错误；当模型以“.\n\nOkay”开头时，它先列出“（2/3）×T=834”，计算出1251，随后又主动检查结果，确认计算没有问题。设置新开头后，模型给出了正确的答案，生成过程中，模型没有获得额外提示，也没有更换参数，仅修改了回答开头。

二、从14%升至65%，强化学习先改变模型的回答开头

如果基础模型在固定开头后已经能达到接近强化学习模型的成绩，强化学习究竟改变了什么？

研究者采用RL-Zero设置，让模型直接根据自己生成答案的对错获得奖励。比较强化学习前后的模型后，他们发现，两者预测分布的最大差异集中在回答最开始的两个token。

对Olmo-3-7B，强化学习将“.\n\nOkay”的生成概率从0.14提高到0.65；对Qwen3-14B，“ Alright,”的生成概率从0.04提高到0.58。强化学习前后，模型的预测差异主要集中在回答最开始的两个token，之后差异明显减小。

研究者还把强化学习模型已经生成的回答开头交给基础模型，让基础模型从相同位置继续回答。Olmo-3-7B在这种条件下可以达到强化学习模型的准确率。

训练曲线显示，预先固定有效开头后，Olmo模型的成绩大约相当于标准强化学习训练100步后的水平，Qwen模型则相当于约50步后的水平。

这说明，在这组实验中，强化学习的一部分作用可能是提高模型选择有效推理开头的概率，让它更容易进入原本已经存在的推理路径。

研究者还控制了回答长度。部分开头会让模型写出更长的回答，但准确率仍低于不固定开头的结果；在相同token预算下，“.\n\nOkay”仍保持优势。因此，成绩提升不能只用回答变长来解释。

三、训练数据改写词语关联，“Chicken”也能诱导推理

“Okay”为什么有效？它可能符合人类开始思考时的表达习惯，但研究者希望进一步确认，效果是否来自训练数据中反复出现的词语关联。

他们将Olmo模型中期训练数据里与推理轨迹共同出现的“Okay”替换为“Chicken”，再从相同检查点继续训练。测试时，模型都被固定为以“.\n\nChicken”开头。

在原始基础模型中，固定“.\n\nChicken”后的MATH-500准确率约为18%，低于不固定开头时的42%。重新训练后，模型则会沿着推理文本的模式继续生成，准确率升至77%，接近“.\n\nOkay”开头的78%。

在使用10B-token中期训练数据的重训实验中，固定“.\n\nChicken”后，MATH-500准确率从2.4%升至37.2%；在使用100B-token数据的另一组实验中，准确率则从18.2%升至76.9%。两组实验的数据规模不同，但都说明，重新建立“Chicken”与推理文本之间的训练关联后，这个词才具备了推理线索的作用。

修改后的模型也没有忘记Chicken的日常含义。面对“A chicken is a”或“She roasted the chicken”这样的句子，它仍然可以生成与鸟类或食物有关的内容。

研究者还将训练数据中的“step by step”替换成“duck duck goose”。重新训练后，“Think duck duck goose”也能像“Think step by step”一样诱导模型推理。

隐藏状态分析显示，不同开头会把模型带向不同类型的训练文本。“.\n\nOkay”更接近合成推理轨迹，“To”更接近解释型数学文本，“Answer”则更接近简短问答文档。研究者还发现，线索越早出现在回答中，产生的影响越持久；等到第三至第六段才插入“Okay”，效果会明显下降。

四、修改回答开头，模型可能拒绝请求

此外，研究者还把同样的方法用于安全测试中，观察不同回答开头会如何影响模型拒绝或遵从请求。

在Olmo-3-7B中，以“I’m sorry”开头的回答更容易拒绝请求，但也会增加对无害请求的误拒绝；“Okay,”会减少拒绝，并增加模型对危险请求给出有害内容的概率。

数学实验中有效的“.\n\nOkay”则呈现出另一种效果：模型会更多拒绝危险请求，同时减少对正常请求的误拒绝，表现出更有选择性的拒绝行为。

论文还发现，仅仅改变空格、标点和换行方式，就可能带来不同结果。“Okay,”和“.\n\nOkay”看起来很接近，但前者可能成为更容易遵从危险请求的开头，后者则更接近先分析、再决定是否拒绝的回答模式。

这说明，回答开头对模型行为的影响并不局限于数学推理，也涉及拒答、安全等问题。

结语：模型能力和稳定发挥之间，还隔着一个“开头”

通过这篇论文可以发现：模型答错题，有时不代表它完全不会做，也可能是没有进入正确的思路。对Olmo-3-7B来说，只是在回答开头加上“.\n\nOkay”，准确率就从约42%提高到了78%。

“Chicken”的实验则说明，词语能起什么作用，和它在训练数据中经常跟什么内容一起出现有关。经过重新训练后，“Chicken”也能引导模型一步步解题。模型记住的可能不只是词语本身，还包括这个词通常会带来什么样的回答。因此，在实验条件下，预先固定有效的回答开头，都可能帮助模型进入更适合解题的状态。

不过，需要注意的是，实验测试的模型主要为Olmo-3-7B和Qwen3-14B，无法确定在其他模型上是否能产生类似的效果。这种方法是否有效，还要看具体模型和任务。这一方法虽然在一定程度上能够提高准确率，但想让模型面对不同问题和不同表达时都能稳定回答，仍然需要高质量的训练数据和充分的模型训练。