Yarz-Logic：R1-Zero相关实验报告

过完年上班后开始关注R1，然后就开始尝试做一些实验，2月底到3月中旬陆陆续续做了不少实验，一直没时间整理，终于抽出点空来简单整理一下，做个记录。

首先，项目是基于Logic-RL^[1]，之所以选择这个项目有几个主要原因：

当时这个复现感觉相对比较规范，飞书文档上记录了一些过程和评测结果（当时其实已经有不少复现了，但很多都没有评测，这种一概略过了）。
实在不想看数学的英文，一个是数学本来也不太好，另一个是很多公式在代码里就没法看，不好看Case。这个是逻辑题目，以自然语言文本为主。
这个项目基于verl^[2]和TinyZero^[3]，仅做了很少的改动，而verl和TinyZero我之前都了解过，相对比较熟悉。这样上手就比较方便。

所以，R1-Zero相关的实验就都基于这个项目了。因为我的关注点和原项目不同，我更加想验证一些自己的想法（原项目未涉及），所以就另外起了个名字：Yarz-Logic，Yarz就是Yet Another R1-Zero。

基本配置

大部分实验都是在Qwen系列的7B模型上进行的，但同时也涉及到其他模型。所有实验用到的对比模型包括：

Qwen2.5-7B-Instruct/Base
Qwen1.5-7B-Base
Qwen2.5-Math-1.5B-Base
Qwen2.5-3B-Base
LLaMA3.1-8B-Base

数据集主要是KK^[4]的3ppl（该数据集包含从2ppl到8ppl共7个子集，简单来说就是从易到难）和c3^[5]，大部分实验都是围绕KK数据集的，c3只是为了进一步验证。所有数据集均为900条训练，100条测试。

数据集示例如下：

# kk
{"quiz": "一个非常特别的岛屿上只住着骑士和骗子。骑士总是说实话，而骗子总是说谎。你遇到了三位居民：佩内洛普（Penelope）、大卫（David）和佐伊（Zoey）。佩内洛普说：“大卫是骑士，当且仅当大卫是骗子。”大卫对你说佐伊是骗子，当且仅当佐伊是骑士。根据佐伊的说法：“如果佩内洛普是骗子，那么大卫是骗子。”那么，谁是骑士，谁是骗子呢？", "solution": "（1）佩内洛普是骗子  （2）大卫是骗子  （3）佐伊是骑士"}

# c3
{"quiz": "女：许多人都觉得在这个公司工作太累了。\n男：可是人家马明干得挺带劲儿的。\n\n问题：男的在说马明的什么问题?\n选项：1.工作时间；2.工作条件；3.工作态度；4.工作地点。\n\n请回答哪个选项最能回答给出的问题。", "solution": "3"}

KK数据集的模板如下：

# Base
The user asks a question, and the Assistant solves it.The assistant first thinks about the reasoning process in the mind and then provides the user with the final answer. The reasoning process and answer are enclosed within <think> </think> and <answer> </answer> tags, respectively, i.e., <think> reasoning process here </think><answer> answer here </answer>. Now the user asks you to solve a logical reasoning problem. After thinking, when you finally reach a conclusion, clearly state the identity of each character within <answer> </answer> tags. List the identity of each person one by one, for example, <answer> (1) Zoey is a knight\n(2) Oliver is a knight\n(3)... </answer>.\n\nUser:{quiz}\nAssistant: <think>

# Instruct
<|im_start|>system\nYou are a helpful assistant. The assistant first thinks about the reasoning process in the mind and then provides the user with the answer. The reasoning process and answer are enclosed within <think> </think> and<answer> </answer> tags, respectively, i.e., <think> reasoning process here </think><answer> answer here </answer>.  Now the user asks you to solve a logical reasoning problem. After thinking, when you finally reach a conclusion, clearly state the identity of each character within <answer> </answer> tags. i.e., <answer> (1) Zoey is a knight\n(2) ... </answer>.\n<|im_end|>\n<|im_start|>user\n{quiz}\n<|im_end|>\n<|im_start|>assistant\n<think>

c3数据集的模板如下：

1
2

# Base
The user provides multiple dialogues and a question with several answer choices. The Assistant selects the best option for the question. The assistant first thinks about the reasoning process in the mind and then provides the user with the final answer. The reasoning process and answer are enclosed within <think> </think> and <answer> </answer> tags, respectively, i.e., <think> reasoning process here </think><answer> answer here </answer>. Now the user asks you to solve a choice question. After thinking, when you finally reach a conclusion, clearly state the choice No. within <answer> </answer> tags. For example, <answer>1</answer>.\n\nUser:{quiz}\nAssistant: <think>

调整的参数比较简单，主要包括：

rollout.n
Prompt、Response Length

简单复现

调整Reward

当时看了复现后，觉得“所有的都对得1分，只要一个错得0分”有点过于严格，于是将其核心改为：“对1个+0.5分，错1个扣0.5分，全对额外加0.5分”，模型依然是Qwen2.5-7B-Instruct，rollout.n=8，prompt_len=400，response_len=2048。

结果如图所示，先看第一排：左边是测试集Acc——所有人身份全对该样本才算对，中间的是回复截断比例，右边是回复长度；然后是第二排：左边是Reward，中间是格式错误的比例，右边是正确的比例（即训练集的Acc）。所有实验的图例均一致，后面不再赘述。

可以明显看到Reward和Acc在一路上升，格式错误率在下降，回复长度则呈现出先降后升的趋势，这和很多实验结果是一致的。观察日志发现，其实在50步前就已经出现了类似verify、rechecking之类的自我反思词汇，之后也会一直存在。

不过，遗憾的是，这样的调整其实并没有作用，不调整reward的结果是这样的：

虽然最后崩了，但整个过程其实是没问题的，测试集Acc要高出不少。为什么这样调整reward没效果？我在VAPO：基于价值方法的新突破 | Yam^[6]中《验证任务奖励稀疏性》一节有提到过，其关键是验证集Acc的计算标准是“全部对”，意味着“部分结果对给奖励”的奖励方式对最终结果并没有意义。这里真正需要的应该是“过程验证和奖励”，也就是R1-VL^[7]提的StepGRPO——step-wise reward，感兴趣的读者可以在《附录》中查看。另外，我们也可以看到，虽然修改后的reward在Instruct版本上性能不如修改前的，但在Base模型上两者其实并没有区别，测试集Acc一路基本在一个水平上。

难度Scaling

接下来在上面基础上将难度从3ppl增加到5ppl，相应配置组如下调整：

rollout.n: 8->16
Prompt length: 400->500
Response length: 2048->4096

同时，对reward（还是调整后的reward）也进行了相应调整

Format reward: 1 -> 0.8
No answer: 2.5 -> 3.5

这里由于模型结束Token配置有误，回复长度暴增，而且后面全是eos token，将其添加到stop_token_ids后问题解决。

整体趋势和之前差不多，不过性能在下降，毕竟难度增加了。另外，回复长度增加趋势不明显，但整体长度比3ppl有明显提升。虽然在5ppl上测试集Acc不如之前，但在3ppl上达到了0.64，比之前的0.62提升了2个点。

至此，简单的复现基本结束，得到的结论和当时已有的论文一致（部分可见：DeepSeek R1深度技术解析及其影响 | Yam^[8]）。后面就是在3ppl上进一步验证自己当时的一些设想。

进一步验证

这一章主要验证当初的一些想法，依然是在调整后的reward基础上进行（因为用Logic-RL原始reward的方式是我后面补的：D）。

Base模型

第一个就是Base模型（选择Qwen2.5-7B-Base）。现在大家都已经知道关键在Base模型，但当时还没有这么明确。不过大部分从业人员应该有这个判断了，我自己也是如此，所以就验证了一下。相应配置如下：

rollout.n: 8
Prompt length: 400
Response length: 2048

前几次都崩了，一开始还以为是参数的问题，调整了rollout.n和temperature依然崩。后来发现后面很多pad token，于是将pad token添加到stop_token_ids。另外，又想起DeepScaleR里说的：“错误响应的长度是正确响应的3倍，表明较长的响应通常会导致不正确的结果，直接用长上下文窗口进行训练可能效率低下”，于是将Response Length调整到1024。后面的配置基本都是遵循这个。

最后的Acc和Instruct版本一样，其他指标趋势也差不多。区别比较明显的是回复长度，虽然也是先降后升，但上升的幅度明显，更加符合预期。放在一起对比一下更加明显。

不同系列

接下来要验证的就是只要Base模型具备推理能力，就都应该能复现。虽然还没做实验，但当时觉得这个认识是正确的。于是选了1.5的Qwen1.5-7B-Base进行验证。

整体趋势差不多，但性能和Qwen2.5-7B-Base差了一个级别，差不多只有2.5的一半多点。还是放在一起对比一下。

说明Qwen-2.5系列的推理能力得到了很大加强，原因应该就是使用了更多推理类（数学、代码）数据，可见Qwen2.5 Technical Report^[9]。

不同Size

再下来要验证的就是不同大小的模型，当时有研究认为3B模型是下限尺寸，于是我先尝试了Qwen2.5-1.5B-Base，回复长度默认1024，后面又补了一组512的，结果如下。

其中，蓝色的是512长度的，最终结果差不多，但回复长度一路下降，可以认为并没有成功复现。但是测试集的Acc绝对提升（差不多30个点）却和Qwen1.5-7B-Base相差不大！

换到Qwen2.5-3B-Base上，整体也差不太多，性能有所提升。不过回复长度呈现出先降后升的趋势。

Math系列

小Size的没有复现是不是因为其本身推理能力比较若呢？于是，新增一组Math系列的，同样是1.5B（Qwen2.5-Math-1.5B）。

红色的是默认的1024长度，不过观察到clip比例在提高，又补了一组2048长度的，如蓝色所示。两组的趋势差不多，2048的回复长度更长一些（显然），但测试集的Acc却低一些，这也进一步验证了前面提到DeepScaleR的结论——太长的回复通常会导致不正确的结果。这也引发了后续课程学习的探索，比如我们在R1相关：R1-Zero的进一步理解和探索 | Yam^[10]中提到的FastCuRL。

同样大小（1.5B）的Math版本比Base看起来更像是想要的结果，不过Acc上却逊色了一些。总体来说，小Size的模型还是弱了一些。

至此，一些初步的验证结束，后续的实验均以Logic-RL原始的reward计算方式进行，即全部正确得分，否则扣分。

其他验证

这一部分实验（除LLaMA外）均以Qwen2.5-7B-Base为Backbone。

RL算法

这一部分验证不同的RL算法（主要是reinforce++），以及KL是否会影响结果。模型选择Qwen2.5-7B-Base。

蓝色的是Qwen2.5-7B-Base+GRPO，也是这部分的Base，深一点的红色是reinforce++，淡一点红色的是去掉KL。这个结果不能说区别不大，只能说毫无区别。此结论也与其他研究一致——RL算法不太影响结果，因为核心是Base，大家都是在Base的“约束”下“激活”能力。

通用数据

这里用的是c3数据集，其实是一个意图理解的任务，相比kk肯定是要简单很多的。

测试集初始Acc就有0.9左右，提升幅度不算大。棕色的是基准，也就是Qwen2.5-7B-Base+GRPO，另外两条浅色的是去掉KL的，稍微深一点颜色的是将训练集从900扩到1600的。可以看出，结果基本相差不大，增加数据集能稍稍提升性能。另外，回复长度也是一路下降，当然算不得激活了推理能力。

格式设计

最后是格式方面的实验，因为当时想把这种算法应用在通用领域，所以Instruction肯定是越简单越好，也不需要思考。于是将输入格式调整如下：

The user asks you to solve a logical reasoning problem. List the identity of each person one by one, for example, <answer> (1) Zoey is a knight\n(2) Oliver is a knight\n(3)... </answer>.\n\nUser:{quiz}\nAssistant:

模型为Qwen2.5-7B-Base+GRPO。

测试集Acc反而比之前更好一些，reward和回复长度也很理想。值得注意的是，模型花了几十步学习到了格式，格式学到后测试集Acc直接接近0.4，进一步训练后超过了0.6。这也进一步说明Qwen2.5-7B-Base本身就具备比较强的推理能力，强化学习可以进一步提升性能。

LLaMA

最后补充一组LLaMA的验证，主要是因为《SimpleRL-Zoo》（可参考R1相关：R1-Zero的进一步理解和探索 | Yam^[10]）的工作发现LLaMA也可以反思（即Aha），而在此前一般都认为LLaMA系列推理能力较弱。他们的发现如下：

不过这里有个重点是：训练数据的难度必须与Base模型的内在探索能力相匹配，否则训练会失败。嗯，不出意外，LLaMA-3.1-8B在KK 3ppl上验证失败。

值得注意的是，这里还有一个学习格式的过程，但是Base模型的模板看起来并不特殊，说明LLaMA3.1-8B并没有一开始就“理解”格式。看它reward的起点也可以看出来，比Qwen系列的要低。

小结

本文算是对R1-Zero简单实验后的简单报告，拖了一个多月，总算是抽时间整理了一下。虽然跑了一些实验，但其实都是在验证而已（并没有很多价值），一方面是自己确实非常好奇，想知道是不是设想的那样，另一方面也是一直以来对强化学习的兴趣（在DeepSeek R1深度技术解析及其影响 | Yam^[8]中有提到过）。总之，目前除了LLM和NLP，我个人也把大量时间和精力放在了强化和多模态上，尤其是前者，可以通过近期的文章感知到。

实验过程当然不是一帆风顺的，也遭遇过几次训崩的情况，遇到了一些Bug，但总体而言还算比较顺利。一开始本来还想整理成Paper的（这也是为啥拖了这么久），不过同行们实在太快了，看了几篇相关研究后就慢慢息了这念头。但这次实验肯定不是结束，反而是独立研究的开始。

最后附上实验代码：hscspring/Yarz-Logic^[11]。另外，24年底建了一个RL+LLM+NLP相关研究收集的库：hscspring/rl-llm-nlp: Reinforcement Learning in LLM and NLP.^[12]，欢迎关注。

附录

StepGRPO

来自论文：R1-VL: Learning to Reason with Multimodal Large Language Models via Step-wise Group Relative Policy Optimization^[13]

StepGRPO包括两个阶段：policy warmup和step-wise policy 优化。第一步主要是让策略模型能够生成合适的逐步推理路径，需要相关标注数据训练。

第二步才是真正的算法部分。主要引入2个基于规则的逐步奖励：

StepRAR（逐步推理精度）：
- 对每个Q，使用GPT-4从推理路径抽出一组关键推理步骤。
- 对提取的步骤进行精炼，去除冗余内容，仅保留推理所需的核心少量词语。另外，还将每个提取出的关键步骤扩展为多种等价格式，避免因格式差异导致的匹配遗漏。比如“\frac{6}{3} = 2”写成“6/3 = 2”。
- 计算关键步骤的匹配比例k。
- 根据式（1）计算1 ≤ t ≤ T的StepRAR。
StepRVR（逐步推理有效性）：
- 保证推理路径除了准确外，还遵循逻辑结构清晰、连贯推进的过程。
- 通过两个关键标准来定义 StepRVR：推理完整性（δc）和推理逻辑性（δl）。
- 推理完整性要求包括：背景分析、逐步推理过程以及最终答案。推理逻辑性要求必须按这个顺序出现。
- 任何一个不满足则0分，两个均满足1分。
每条推理路径的总体奖励等于两种奖励之和。

StepRAR计算公式如下：

$r_{\text {auc }}^i\left(s_t, a_t, s_{t+1}\right)= \begin{cases}1+\alpha k^i, & \operatorname{ans}\left(s_{t+1}\right)=y, \\ \alpha k^i, & \operatorname{ans}\left(s_{t+1}\right) \neq \text { null } \neq y, \\ 0, & \operatorname{ans}\left(s_{t+1}\right)=\text { null },\end{cases} \tag{1}$

References

[1] Logic-RL: https://github.com/Unakar/Logic-RL
[2] verl: https://github.com/volcengine/verl
[3] TinyZero: https://github.com/Jiayi-Pan/TinyZero
[4] KK: https://huggingface.co/datasets/K-and-K/knights-and-knaves
[5] c3: https://github.com/nlpdata/c3
[6] VAPO：基于价值方法的新突破 | Yam: https://yam.gift/2025/04/19/NLP/LLM-Training/2025-04-19-VAPO/
[7] R1-VL: https://arxiv.org/abs/2503.12937
[8] DeepSeek R1深度技术解析及其影响 | Yam: https://yam.gift/2025/02/17/NLP/LLM-Training/2025-02-17-DeepSeek-R1/
[9] Qwen2.5 Technical Report: https://arxiv.org/pdf/2412.15115
[10] R1相关：R1-Zero的进一步理解和探索 | Yam: https://yam.gift/2025/04/10/NLP/LLM-Training/2025-04-10-Think-More-about-R1-Zero/
[11] hscspring/Yarz-Logic: https://github.com/hscspring/Yarz-Logic
[12] hscspring/rl-llm-nlp: Reinforcement Learning in LLM and NLP.: https://github.com/hscspring/rl-llm-nlp
[13] R1-VL: Learning to Reason with Multimodal Large Language Models via Step-wise Group Relative Policy Optimization: https://arxiv.org/abs/2503.12937

本文已收录至 rl-llm-nlp —— 一份带观点的 post-R1 LLM × RL 编年史与论文索引。如果你对相关话题有想法，欢迎来 Issues 拍砖。

长琴

... →