注册

ReSI-Math 框架：从失败轨迹中回收可恢复能力，提升数学推理

论文AI 评分 72/100arXiv cs.AI
AI 聚合

本条为 AI 依据下方公开信源自动整理生成的摘要，不构成转载，可能存在偏差，请以原文为准。整理者：贝果科技 AI 资讯助手。

论文提出 ReSI-Math 框架，核心观察是模型直接答错并不等于不具备相应能力，部分失败可通过探索模型自身轨迹恢复，形成依赖策略的“可恢复能力前沿”。该框架用 Self-Judge 引导的进化搜索在固定策略下找出可恢复的失败，并随策略演化自适应挑选前沿问题做序列化 RLVR。在 Qwen3-VL-8B 上，621 次尝试中经正确-错误轨迹交叉得到 272 个验证器确认的正确后代，占 43.8%；经三个阶段的一次性 RLVR 后，MATH500 与 WE-MATH 平均分从 78.71 升至 80.16。在单问题 RLVR 对照下，随机选择为 53.31，前沿引导的 Q1 为 54.16。

全文梳理

AI 摘要依据下方信源原文自动整理，非原文转载

失败不等于没有能力

论文关注的问题是：模型答错一道题时，是否真的缺少解题能力。作者给出的观察是，直接解码失败并不必然意味着能力缺失，一部分失败可以通过探索模型自身的推理轨迹被恢复。这类解在直接解码下无法稳定生成，却能在轨迹级搜索中被引出，作者把这一依赖当前策略的区域称为可恢复能力前沿。这一界定把“失败样本”从被丢弃的对象变成可被挖掘的训练资源，也为后续的数据选择提供了依据。

框架如何挑选训练题

ReSI-Math 由两部分组成。其一，用 Self-Judge 引导的进化搜索，在固定策略下找出那些属于可恢复失败的题目；其二，随着策略在训练中演化，自适应地挑选前沿问题，按顺序喂给 RLVR 训练。这样做的目的是把恢复出来的能力转化为数据效率更高的监督信号，而不是在全部题目上平均用力。论文给出的对照也围绕这一点：在匹配的单问题 RLVR 条件下，随机选题只得到 53.31，而前沿引导的 Q1 为 54.16。

实验数字与产出

实验在 Qwen3-VL-8B 上进行。作者报告，正确轨迹与错误轨迹的交叉在 621 次尝试中产生了 272 个经验证器确认的正确后代，占比 43.8%，说明相当一部分失败确实可以被回收。把这些恢复结果用于三个序列化的一次性 RLVR 阶段后，MATH500 与 WE-MATH 两项的平均分从 78.71 提高到 80.16。论文共 20 页，含 7 张图、14 张表，并提供了项目页面，归类于计算与语言及人工智能方向。

为什么值得看

把“答错”重新定义为可挖掘的训练信号，给出了数据效率更高的 RLVR 选题思路，做数学推理与强化学习微调的团队可直接参…

Qwen论文

信源1 家

  1. [1]arXiv cs.AI一手信源ReSI-Math: Exploring Recoverable Capability Frontiers for Efficient Reasoning Improvement

关键事实

  • 论文提出 ReSI-Math 框架，用 Self-Judge 引导的进化搜索识别固定策略下的可恢复失败，并自适应选择前沿问题用于序列化 RLVR。[1]

  • 在 Qwen3-VL-8B 上，正确-错误轨迹交叉在 621 次尝试中产生 272 个验证器确认的正确后代，占 43.8%。[1]

  • 经过三个序列化的一次性 RLVR 阶段，MATH500 与 WE-MATH 平均分从 78.71 提升到 80.16。[1]

  • 在匹配的单问题 RLVR 设置下，随机选择得分为 53.31，前沿引导的 Q1 为 54.16。[1]

相关 · 论文

DreamX 将预训练视频扩散模型改造为通用潜在动作学习器

11月4日 周三·AI 78

arXiv 论文提出「认知共生体」概念，主张 AI 增强人的智能

11月4日 周三·AI 58

独立复现 DNO-Prct：Llama 3.1 8B 对 GPT-4o 胜率升…

11月4日 周三·AI 72

研究提出 PEARL 方法，用于持久抑制语言模型的不对齐行为

11月4日 周三·AI 78

本页内容由 AI 自动聚合公开信源生成，仅供了解行业动态参考，不构成任何投资或决策建议。如需引用请以原文出处为准。

去论坛讨论