仅需10%思维链标注，等同全量性能！中科院发布推理监督新范式

来源：市场资讯

（来源：新智元）

新智元报道

编辑：LRST

【新智元导读】大语言模型（LLMs）推理能力近年来快速提升，但传统方法依赖大量昂贵的人工标注思维链。中科院计算所团队提出新框架PARO，通过让模型学习固定推理模式自动生成思维链，只需大模型标注1/10数据就能达到全量人工标注的性能。这种方法特别适合像金融、审计这样规则清晰的领域，为高效推理监督提供了全新思路。

过去一年，大语言模型（LLMs）的推理能力迎来爆发式提升，其核心范式——SFT+RLVR——已成为主流。

SFT（Supervised Fine-Tuning）通过高质量的思维链（rationales）有监督地微调模型，而RLVR（Reinforcement Learning with Verifiable Rewards）则进一步利用可验证奖励信号通过强化学习扩展模型的推理能力，无需思维链监督。

然而，为SFT阶段标注高质量思维链的过程既昂贵又耗时，难以规模化。

中科院计算所团队通过系统实验发现，对于「模式化推理」（Patterned Reasoning）任务，并不需要大量人工思维链，只需让模型掌握任务的推理模式即可。

论文链接：https://arxiv.org/pdf/2510.12643

他们提出了一个简单而高效的框架——PARO（Pattern-Aware LLMs as Rationale AnnOtators），仅用 1/10 的LLM自动标注数据，性能几乎等同于全量人工标注，为解决「思维链监督昂贵、难以扩展」的核心问题提供了全新的视角与方案。

什么是 Patterned Reasoning？

固定模式下的「程序化推理」

并非所有推理任务都要求模型「临场思考」。

有一类任务，虽然语义复杂，但推理路径几乎固定—— 这就是模式化推理任务（Patterned Reasoning Tasks）。

直观理解就是：不同样本内容不同，但「解题思路」一模一样。

常见的例子包括准则驱动的任务，例如：

形式化地，这类任务的执行过程可以抽象为，其中：

是稳定的推理模式（Reasoning Pattern），代表任务所需遵循的固定步骤或逻辑框架；

是样本特定内容（Instance-specific Content），即每个实例不同的文本、数值或事实；

表示将模式应用到内容的过程，生成最终输出。

自适应推理任务（Adaptive Reasoning Tasks）

在这些任务中，模型无法依赖统一模式，因为不同样本可能需要完全不同的解题策略。

例如：

形式上，这类任务可表示为，此时是随样本变化的推理模式，模型需要根据输入灵活选择最合适的思维路径。

为什么Patterned Reasoning值得关注？

研究人员指出，很多金融、审计、法律、风控等工业界的任务（如自定义类别的分类任务、抽取类任务、审核类任务）本质上都是 patterned reasoning——同一套「执行步骤/判断流程」适用于不同实例，实例间主要差别是输入内容而非推理策略。

例如该论文主要研究了两类金融领域的模式化推理任务：

数值语义匹配（NSM）：判断两处数值是否指代同一个数值事实。 推理流程：定位数值 → 结合上下文理解数值含义 → 语义分解、对齐 → 逐条判断判断是否等价。

交易目的分类（TPC）：判断银行交易流水的用途。推理流程：识别账户与交易方向 → 提取关键词 → 对照预定义的分类体系 → 输出类别。 虽然每条交易内容不同，但规则和决策逻辑是一致的。

这些任务有个共同点：不需要「灵感式推理」，只要遵循固定步骤。

因此，对该类任务，论文提出了关键假设：

模型真正需要学习的，不是每条人类思维链的具体内容，而是背后统一的「推理模式」。

控制实验

推理监督中，什么才是关键？

论文以NSM任务作为代表性的模式化推理任务。为避免数据污染对结论产生干扰，研究团队自行收集了10万条样本并标注正确答案，同时邀请专家精心标注了1万条人工思维链。

NSM任务上不同训练策略的性能比较

通过两个对照实验，研究人员揭示了在SFT + RLVR范式下，模型主要在SFT阶段学习到任务的推理模式，而人工思维链的数量与质量对最终性能的影响并不显著：

1.数量敏感性实验：将SFT的人工思维链数量从10k随机减少至1k（保持推理模式不变），SFT阶段性能明显下降；但经过RLVR优化后，两者差距几乎消失（图2a）。

结果说明只要 SFT 能够有效传授推理模式，RLVR可以通过强大的自我探索能力弥补差距。

2.质量扰动实验：将25%的人工思维链替换为GPT-4.1生成的错误思维链（但保持整体推理模式不变），SFT+RLVR的最终性能依然接近原版，甚至在部分设置下略有提升——作者推测这是由模型生成的「多样性」带来的正向作用。

进一步证明：「推理模式更重要而非每条标注思维链都要完美」 。

这些实验同时揭示了SFT与RLVR的分工机制：

SFT用标注的思维链教模型「怎么思路化地解题」；

RLVR利用规则化、可验证的奖励信号，将所学推理模式泛化到更多任务实例中。

模型真的学到了「推理模式」吗？

为了验证模型是否真的「内化了推理模式」，作者设计了一个颇具启发性的分析工具，用于刻画不同训练策略下模型的推理行为。

核心思路是：

找出那些「一旦换词就会导致答案变化」的关键token——这些高影响力token，正是模型的推理锚点。

具体而言，研究人员提出并实现了「基于采样的关键token检测」方法。

其基本原理是：

识别模型生成回复中的高熵token 位置（即模型最犹豫的地方）；

研究团队使用该方法提取了经不同训练策略（SFT+RLVR / pure-RLVR / UFT）得到的模型的 forking token，结果发现：

SFT+RLVR训练的模型，其forking token更具任务相关性——也就是说，模型的关键决策点集中在与任务语义相关的词汇上。

具体来看（见图3），SFT+RLVR 模型的forking token多为「任务关键词」（如 different, main_business），而pure-RLVR或UFT模型的forking token则更多是与任务无关的连接词或泛词（如but, because）。

这说明在后两种策略中，模型的推理模式尚未得到良好内化。

由此可见：SFT+RLVR不仅优化了结果，更让模型真正掌握了任务的推理模式。

PARO

用模式先验让大模型「自标注思维链」

基于上述发现，研究人员提出了PARO(Pattern-Aware LLMs as Rationale AnnOtators) —— 让LLM在「模式提示」下生成思维链，取代人工标注。

流程非常简单实用：

1.Prompt设计

写清任务说明；

明确推理模式，通过人类专家撰写，详细列出步骤化的形式；

给出格式规范和若干示例。

2.生成器选择

使用强推理模型（论文用 Qwen3-235B-thinking）生成思维链。

3.训练流水线

用生成思维链构造SFT数据；

然后走标准的SFT+RLVR优化流程。

研究人员在NSM与TPC两项任务上实现了该流程并报告了结果，如图4所示。

在NSM数据集上：SFT(1k, PARO)+RLVR的准确率与F1（92.2 / 83.6）几乎匹配SFT(10k, Human)+RLVR（92.3 / 83.2），仅使用大模型标注的1k条思维链即可达到10k人工标注思维链相当的性能。这是论文最直观也最有说服力的结论。

另外PARO优于直接蒸馏大模型内部推理轨迹的方法SFT(1k, Distill)+RLVR。

从实验到落地

如何应用PARO？

先分类

把推理任务按「是否模式化」分类（参考论文对 pattern 的形式化描述）。只对模式化推理任务尝试PARO。

小规模尝试

人工写任务的详细推理步骤并附带少量思维链示例，用强推理模型生成少量PARO思维链。对比同数量的纯人工思维链，关注最终指标与标注成本。如果PARO效果接近甚至超越人工标注, 证明可行。

质量监控

用forking-token检测或人工抽查来评估PARO思维链训练的模型是否真的「对齐了推理模式」；如果关键决策点与任务相关性较差，补充更细致的推理模式或者提供更多的数据。

让模式取代人力

让模型学会「有章可循地思考」

这篇论文传递了一个重要信号：

对于可模式化的推理任务，推理模式比标注思维链的数量和质量更关键。

PARO给出了一个高性价比、可落地的推理监督新范式：

推理模式提示 → LLM生成思维链 → SFT → RLVR

在金融、审计、法律等规则性强的工业场景中，这种思路有极高的实用价值。更重要的是，它隐含着一种趋势：

推理监督的未来，或许不是「人教模型」，而是「模型教模型」。

参考资料：

https://arxiv.org/pdf/2510.12643