Jenseits von 'Aha!': Auf dem Weg zur systematischen Ausrichtung von Meta-Fähigkeiten in großen Denkmodellen

Beyond 'Aha!': Toward Systematic Meta-Abilities Alignment in Large Reasoning Models

May 15, 2025

Autoren: Zhiyuan Hu, Yibo Wang, Hanze Dong, Yuhui Xu, Amrita Saha, Caiming Xiong, Bryan Hooi, Junnan Li

cs.AI

Zusammenfassung

Große Reasoning-Modelle (LRMs) verfügen bereits über eine latente Fähigkeit zur langen Kettenlogik. Frühere Arbeiten haben gezeigt, dass ergebnisbasiertes Reinforcement Learning (RL) fortgeschrittene Reasoning-Verhaltensweisen wie Selbstkorrektur, Rückverfolgung und Verifikationsphänomene, oft als „Aha-Moment“ des Modells bezeichnet, zufällig hervorrufen kann. Der Zeitpunkt und die Konsistenz dieser emergenten Verhaltensweisen bleiben jedoch unvorhersehbar und unkontrollierbar, was die Skalierbarkeit und Zuverlässigkeit der Reasoning-Fähigkeiten von LRMs einschränkt. Um diese Einschränkungen zu überwinden, gehen wir über die Abhängigkeit von Prompts und zufälligen „Aha-Momenten“ hinaus. Stattdessen richten wir Modelle explizit auf drei Meta-Fähigkeiten aus: Deduktion, Induktion und Abduktion, indem wir automatisch generierte, selbstüberprüfbare Aufgaben verwenden. Unsere dreistufige Pipeline – individuelle Ausrichtung, Parameterraum-Zusammenführung und domänenspezifisches Reinforcement Learning – steigert die Leistung um über 10 % im Vergleich zu instruktionsoptimierten Baselines. Darüber hinaus erzielt domänenspezifisches RL vom ausgerichteten Checkpoint einen zusätzlichen durchschnittlichen Leistungszuwachs von 2 % in den Leistungsgrenzen über Mathematik-, Programmier- und Wissenschafts-Benchmarks, was zeigt, dass die explizite Ausrichtung auf Meta-Fähigkeiten eine skalierbare und zuverlässige Grundlage für Reasoning bietet. Der Code ist verfügbar unter: https://github.com/zhiyuanhubj/Meta-Ability-Alignment.

English

Large reasoning models (LRMs) already possess a latent capacity for long chain-of-thought reasoning. Prior work has shown that outcome-based reinforcement learning (RL) can incidentally elicit advanced reasoning behaviors such as self-correction, backtracking, and verification phenomena often referred to as the model's "aha moment". However, the timing and consistency of these emergent behaviors remain unpredictable and uncontrollable, limiting the scalability and reliability of LRMs' reasoning capabilities. To address these limitations, we move beyond reliance on prompts and coincidental "aha moments". Instead, we explicitly align models with three meta-abilities: deduction, induction, and abduction, using automatically generated, self-verifiable tasks. Our three stage-pipeline individual alignment, parameter-space merging, and domain-specific reinforcement learning, boosting performance by over 10\% relative to instruction-tuned baselines. Furthermore, domain-specific RL from the aligned checkpoint yields an additional 2\% average gain in the performance ceiling across math, coding, and science benchmarks, demonstrating that explicit meta-ability alignment offers a scalable and dependable foundation for reasoning. Code is available at: https://github.com/zhiyuanhubj/Meta-Ability-Alignment