SimpleTIR：讓大模型“邊寫代碼邊思考”不再崩潰

SimpleTIR正是為了解決多輪工具調(diào)用中的訓(xùn)練崩潰問題。

如果你曾用多輪 RL 訓(xùn)練大模型做工具調(diào)用，多半見過這樣的尷尬場(chǎng)面：

“在某個(gè)樣本中，模型第 1 輪思路清晰，第 2 輪開始胡言亂語，第 3 輪直接輸出一堆亂碼。訓(xùn)練到后期，模型性能像過山車一樣垂直下墜。”

SimpleTIR（https://arxiv.org/abs/2509.02479v1）正是為了解決多輪工具調(diào)用中的訓(xùn)練崩潰問題。下面帶你拆解一下它的關(guān)鍵思路。

01

為什么多輪會(huì)“崩”？

作者用一句話點(diǎn)破：“分布偏移 + 低概率 token 的鏈?zhǔn)窖┍馈?/b>。

• 偏移：外部工具（Python 解釋器、搜索引擎）返回的結(jié)果，跟模型預(yù)訓(xùn)練時(shí)的語料分布差距可能較大。

• 雪崩：這些 OOD（Out-of-distribution）token 被當(dāng)成下一輪輸入，模型越采越偏，最終在第 3～4 輪吐出亂碼或直接停止生成（輸出eos token）。

• 梯度爆炸：低概率 token 讓重要性采樣比值暴漲，梯度范數(shù)瞬間拉滿，訓(xùn)練直接炸裂。

現(xiàn)場(chǎng)觀測(cè)到的 token log-prob 曲線就像這樣：

（Turn 1 還自信滿滿，Turn 4 直接一瀉千里）

02

SimpleTIR 的“定海神針”——void turn 過濾

作者沒有硬懟梯度裁剪，也沒有加 KL 正則，而是祭出一個(gè)極簡(jiǎn) heuristics：

只要某一回合既沒生成可執(zhí)行代碼塊，也沒給出最終答案，就判定為“無效輪（void turn）”，整條軌跡直接丟進(jìn)垃圾桶，不拿來更新策略。

這一招軌跡過濾同時(shí)掐斷了兩條崩潰鏈路：

1. 梯度爆炸：無效輪往往伴隨極低概率 token，扔掉它們等于從源頭拔掉高幅值梯度。

2. 信用分配錯(cuò)位：無效輪之后的失敗不應(yīng)懲罰前面正確的推理步驟，過濾后模型不再“一朝被蛇咬，十年怕井繩”。

03

訓(xùn)練現(xiàn)場(chǎng)直擊：一條穩(wěn)如老狗的曲線

在 Qwen2.5-7B 上，從零開始跑純強(qiáng)化學(xué)習(xí)（Zero RL），不借助任何冷啟動(dòng)和監(jiān)督微調(diào)：

• 粉色曲線：SimpleTIR（啟用無效輪過濾）

• 紫色曲線：Na?ve Multi-turn（直接多輪 RL）

可以清晰看到，SimpleTIR 的曲線一路向右上方勻速爬升，梯度范數(shù)幾乎零尖峰；簡(jiǎn)單的多輪訓(xùn)練則在第 300 步左右開始崩潰。

04

多輪策略的可視化：三種“人類級(jí)”思考范式

更妙的是，SimpleTIR 的訓(xùn)練催生了多樣化的推理行為，作者用 Claude-3.7-Sonnet 做了統(tǒng)計(jì)：

• 漸進(jìn)推理（Progressive Reasoning）：寫若干腳本逐一解決各個(gè)子命題，再完成最終解答。

• ?交叉驗(yàn)證（Cross Validation）：同一問題寫兩份代碼互檢，防止一錯(cuò)到底。

• 錯(cuò)誤回環(huán)（Error Correction Loop）：運(yùn)行報(bào)錯(cuò)→定位 bug→重寫代碼→再跑。

這些策略并非人為預(yù)設(shè)，而是模型在無監(jiān)督獎(jiǎng)勵(lì)下自發(fā)涌現(xiàn)，算是 Zero RL 的“副作用驚喜”。

05

寫在最后：一個(gè)更“工程友好”的多輪 RL 范式

SimpleTIR 的核心貢獻(xiàn)不在于刷爆了多少分，而在于它給出了一條可復(fù)制、工程友好的多輪工具調(diào)用訓(xùn)練技巧：

• Zero RL：直接基于 base 模型，無需昂貴的人類標(biāo)注進(jìn)行冷啟動(dòng)。

• 即插即用：無效輪檢測(cè)邏輯僅 10 行代碼，可無縫加入任意 RL 框架。

• 可擴(kuò)展：對(duì)于不同模型參數(shù)量（7B→32B）均能保持訓(xùn)練穩(wěn)定。

SimpleTIR 的核心實(shí)現(xiàn)已經(jīng)開源，可通過下方鏈接直接查看源代碼與實(shí)現(xiàn)細(xì)節(jié)。

代碼鏈接：https://github.com/ltzheng/SimpleTIR/tree/main

在 LLM 多輪工具調(diào)用里，只要模型產(chǎn)生“void turn”，既不生成可執(zhí)行代碼，也不給出最終答案，就把這整條軌跡當(dāng)作直接丟掉，便能實(shí)現(xiàn)穩(wěn)定多輪訓(xùn)練——這大概就是 SimpleTIR 帶來的最大啟示。

未經(jīng)「AI科技評(píng)論」授權(quán)，嚴(yán)禁以任何方式在網(wǎng)頁、論壇、社區(qū)進(jìn)行轉(zhuǎn)載！

公眾號(hào)轉(zhuǎn)載請(qǐng)先在「AI科技評(píng)論」后臺(tái)留言取得授權(quán)，轉(zhuǎn)載時(shí)需標(biāo)注來源并插入本公眾號(hào)名片。