Kimi思考模型k1.5是怎么练成的？细节曝光

Kimi发布新一代多模态思考模型k1.5，在竞赛数学、代码能力及视觉思考等测试中，k1.5模型性能已达到全球领先模型OpenAI o1 正式版水平，月之暗面也成为OpenAI 之外，全球第二家到达该水平的人工智能企业。

    Kimi 1.5 long-CoT评测结果

long to short，用长链式思考技术改进短链式思考模型，在短链式推理性能测试中，k1.5模型在数学、代码、视觉多模态和通用能力等方面到达或超越GPT-4o、Claude Sonnet 3.5等全球领先模型。

    Kimi 1.5 short-CoT评测结果

新模型发布的同时，kimi还首次对外公布了多模态模型技术训练报告，k1.5的训练包括这几个阶段：

预训练 -> SFT -> Long-CoT SFT -> RL

其中，预训练与SFT要点概况如下：

• 预训练：k1.5 的预训练涉及多模态数据（文本、视觉、OCR 等），并分为三个阶段：视觉-语言预训练、冷启动阶段和长文本激活阶段。
• 监督微调：使用高质量的标注数据进行分阶段学习率调整微调，涵盖问答、写作、数学、编程和视觉-文本数据。

25页的技术报告重点聚焦在强化学习部分：

数据构建 -> 预热 Long-CoT SFT -> RL -> Long2Short

https://github.com/MoonshotAI/Kimi-k1.5/blob/main/Kimi_k1.5.pdf

1. RL数据构建

数据质量和多样性对强化学习的效果至关重要。高质量的提示集可以引导模型进行稳健的推理，并减少 reward hacking 和 overfitting 的风险。

• 多样化覆盖：涵盖广泛的学科领域（如 STEM、编程和通用推理），以增强模型的适应性。
• 难度平衡：包含不同难度级别的问题，以支持模型的逐步学习。
• 可验证性：答案和推理过程应能够被准确验证，避免模型通过错误的推理过程得出正确答案。

2、预热-Long-CoT微调

通过构建小的高质量 Long-CoT 热身数据集并进行微调，目的是让模型内化人类推理的关键认知过程（如规划、评估、反思和探索），从而提升其在复杂推理任务中的表现和逻辑连贯性。

3、强化学习

强化学习是 k1.5 的核心训练阶段，无需依赖蒙特卡洛树搜索（MCTS）、价值函数或过程奖励模型等复杂技术，通过长上下文扩展和策略优化实现高效学习。

• 长上下文扩展是k1.5的核心创新之一。通过将上下文窗口扩展到128k，模型能够处理更复杂的推理任务。背后的关键技术是 partial rollout ，它允许模型在训练过程中复用之前生成的轨迹片段，避免从头开始生成新轨迹，从而显著提高训练效率。
• k1.5采用在线镜像下降算法的变体进行策略优化，通过采样策略、长度惩罚和数据配方优化，进一步提升模型性能。长度惩罚机制通过限制模型生成过长的推理过程，提高推理效率，同时避免“过度思考”问题。此外，模型还采用了curriculum sampling和 prioritized sampling 策略，优先训练模型在困难问题上的表现。

4、Long2short

Long-CoT模型表现出色，但在测试时消耗的token数量比Short-CoT更多。有没可能将Long-CoT推理模型的思维先验转移到Short-CoT推理模型中，从而即使在测试时的token预算有限的情况下，也能提升性能，答案是肯定，k1.5尝试了以下方法：

• 模型融合（Model Merging）：通过平均权重合并Long-CoT 和Short-CoT 模型。​
• 最短拒绝采样（Shortest Rejection Sampling）：从多次采样中选择最短的正确答案。​
• 直接偏好优化（DPO）：通过正负样本对训练Short-CoT 模型。​
• Long2Short RL 训练：通过 RL 进一步优化Short-CoT 模型的性能。

本文转载自​​ PaperAgent​​，作者： PaperAgent