清华与滴滴发现：消除0.01%有害词提升AI性能20%

这项由清华大学车辆与运载学院以及滴滴自动驾驶团队联合完成的研究发表于2026年2月17日的arXiv预印本，论文编号为arXiv:2602.15620v1。对于那些想要深入了解技术细节的读者，可以通过这个编号在学术数据库中找到完整的研究资料。

当我们教AI解数学题时，就像训练一个学生参加考试一样。老师会根据学生答题的对错给予奖励或惩罚，希望学生能从中学会正确的解题方法。但是研究人员发现了一个令人困惑的现象：AI在学习过程中经常会突然"崩溃"，原本能够清晰解题的AI突然开始胡言乱语，或者陷入无意义的重复循环。

这种现象就像一个原本表现优秀的学生，突然开始在考试中写一些莫名其妙的答案，或者不停地重复同一句话。更奇怪的是，这种"崩溃"往往发生在训练的后期，当AI似乎已经学会了很多知识的时候。

为了理解这个问题，研究团队决定从最细微的层面入手——观察AI在处理每一个词汇时的行为。他们发现了一个惊人的秘密：在AI生成的正确答案中，隐藏着一小撮"害群之马"般的词汇，这些词汇虽然出现在正确的回答里，但实际上对解题过程毫无帮助，甚至会产生误导作用。

一、发现隐藏在正确答案中的"捣乱分子"

研究团队通过深入分析发现，AI在学习过程中会遇到一种特殊的困境。当AI生成一个数学题的完整解答时，这个解答可能最终得出了正确答案，因此会获得正面的奖励。但是在这个看似正确的解答过程中，可能包含了一些不合适的词汇选择。

比如说，在描述"移除图中的边"这个数学概念时，AI可能会选择使用"broken"（坏掉的）这个词，而不是更标准的"removed"（移除的）。虽然在日常对话中"broken"也能表达相似的意思，但在数学语境下，"removed"才是更准确、更专业的用词。问题在于，由于整个解答最终得到了正确答案，AI的学习系统会错误地认为使用"broken"这个词是好的选择，从而在未来更频繁地使用这种不准确的表达。

更严重的情况是数学错误的出现。研究人员发现了这样的例子：AI在验证一个分解式时写道"6901 = 67 × 103 - 1"。实际上67乘以103等于6901，所以减去1就变成了6900，这明显是错误的。但由于最终答案碰巧是对的，这个明显的数学错误反而被当作"好的表达"而得到强化。

还有一类问题出现在格式层面。AI可能会在数学公式中产生一些格式错误，比如在本应该有空格的地方直接写"3"而不是" 3"。虽然这种错误在最终显示时可能被自动修正，看起来没有影响，但实际上AI学习到了一种非标准的格式规范。

研究团队将这些有问题的词汇统称为"虚假信号词汇"（spurious tokens）。这些词汇有三个共同特征：它们出现的概率很低（AI本来不太可能选择这些词），它们在当前语境下的不确定性很低（AI对选择这些词很"自信"），但它们获得了正面的学习信号（因为包含它们的整个回答是正确的）。

二、数学证明：为什么微小的问题会引发巨大的混乱

研究团队不仅仅是观察到了这个现象，他们还通过数学方法证明了为什么这些看似微不足道的词汇会对AI的学习造成如此大的影响。

在AI的学习过程中，每个词汇都会产生一定的"学习强度"，这个强度决定了AI对使用这个词汇的偏好会发生多大的改变。研究人员发现，这个学习强度与两个关键因素密切相关：词汇出现的概率和当前的不确定性水平。

当一个词汇出现概率很低、同时AI对选择这个词又很确定时，就会产生异常强烈的学习信号。这就像在一个安静的图书馆里突然响起的手机铃声，虽然声音可能不大，但因为背景安静，这个声音就会显得特别刺耳，引起所有人的注意。

具体来说，研究人员通过数学推导证明了学习强度与词汇概率和不确定性之间存在反比关系。当一个词汇的出现概率降低时，它产生的学习强度会显著增加。同样地，当AI对某个决策的不确定性降低时，相应的学习强度也会放大。

这种数学关系解释了为什么那些虚假信号词汇会对AI的学习产生如此不成比例的影响。虽然这些词汇在所有词汇中的占比极小（研究发现大约只有0.01%），但它们产生的学习信号却异常强烈，足以扰乱AI的整个学习过程。

研究团队通过实际的训练数据验证了这个理论。他们发现，含有虚假信号特征的词汇产生的平均学习强度比正常词汇高出16.7%。这意味着虽然这些有问题的词汇数量很少，但它们对AI学习方向的影响力却远超其应有的比重。

三、STAPO方法：精准消除害群之马的智能过滤系统

基于对问题根源的深入理解，研究团队开发了一种名为STAPO（Spurious-Token-Aware Policy Optimization，虚假信号词汇感知策略优化）的解决方案。这个方法的核心思想就像是为AI的学习过程安装了一个智能过滤器，能够精准识别和屏蔽那些有害的学习信号。

STAPO的工作原理相当巧妙。在AI的每一次学习过程中，系统会实时监控每个词汇的三个关键指标：这个词汇获得的是正面还是负面评价，它出现的概率有多低，以及AI对选择这个词的确定性有多高。当一个词汇同时满足"获得正面评价"、"出现概率很低"、"AI很确定"这三个条件时，系统就会将其标记为潜在的虚假信号词汇。

一旦识别出这些有问题的词汇，STAPO不会简单地删除它们，而是采用了一种更加精细的处理方式。系统会将这些词汇的学习信号"静音"，就像在音频编辑中将某个频段的噪音滤除一样，然后重新计算整体的学习强度，确保剩余的正常词汇能够获得适当的学习权重。

这种方法的巧妙之处在于它的精准性和节制性。研究数据显示，STAPO在整个训练过程中只屏蔽了大约0.01%的词汇学习信号。这个比例非常小，意味着绝大部分正常的学习过程都不会受到影响，但就是这微小的调整却带来了显著的改善。

为了确保STAPO的有效性，研究团队还设计了自适应的阈值机制。对于判断不确定性水平的阈值，系统会根据当前批次的数据动态调整，确保能够准确捕捉到真正有问题的词汇。而对于概率阈值，研究人员经过大量实验后选择了固定值，避免误伤那些虽然概率不高但确实有用的词汇。

四、实验验证：小改动带来大提升的惊人效果

研究团队在多个规模的AI模型上测试了STAPO方法的效果，结果令人印象深刻。他们使用了三种不同大小的模型（17亿、80亿和140亿参数），在六个不同的数学推理测试集上进行了全面评估。

最引人注目的发现是在训练稳定性方面的改善。在使用传统方法训练AI时，研究人员经常观察到一种被称为"熵爆炸"或"熵崩溃"的现象。熵在这里可以理解为AI回答的随机性程度。当熵过高时，AI的回答变得过于随机和不连贯；当熵过低时，AI可能陷入重复或过于机械的回答模式。

使用STAPO方法后，AI的熵水平在整个训练过程中保持了良好的稳定性。这就像是为一个容易情绪波动的学生找到了情绪调节的方法，让他能够保持稳定的学习状态。在图表中可以清楚地看到，使用STAPO的AI模型在训练过程中显示出平滑的学习曲线，而使用传统方法的模型则出现明显的波动和不稳定现象。

在性能表现方面，STAPO同样交出了优秀的答卷。在17亿参数的小型模型上，STAPO相比最佳基线方法实现了13.50%的相对性能提升。随着模型规模的增大，这种优势依然保持显著。在80亿参数模型上的提升幅度也达到了可观的水平，而在140亿参数的大型模型上，STAPO继续保持领先地位。

特别值得注意的是，这些性能提升是在两种不同的评估设置下都得到验证的。第一种是"训练对齐设置"，使用与训练时相同的随机度参数；第二种是"约束解码设置"，使用更保守的参数来减少随机性。在两种设置下，STAPO都显示出了一致的优越性，证明了这种方法的稳健性。

研究团队还进行了详细的消融实验，探索了不同组合策略的效果。他们发现，仅仅基于概率低来屏蔽词汇是不够的，这样做可能会误伤一些虽然罕见但确实有用的表达。同样地，仅仅基于不确定性来判断也不够准确。只有将概率、不确定性和评价信号三个维度结合起来，才能精准识别真正有害的虚假信号词汇。

五、深入分析：揭开虚假信号词汇的真面目

为了更好地理解STAPO方法的工作机制，研究团队对被识别出的虚假信号词汇进行了深入的定性分析。他们将这些有问题的词汇分为了三个主要类别，每一类都揭示了AI学习过程中的不同问题。

第一类是"非常规语法"类词汇。这类词汇在语法上并没有错误，但在特定的数学语境下显得不够专业或不够准确。比如前面提到的用"broken"来描述"移除图中的边"，或者用"calculation"（计算）来指代"code"（代码）。虽然这些用词在日常交流中可能是可以接受的，但在严谨的数学表达中却不够准确。当AI因为整体答案正确而强化这些不准确用词的使用时，就会逐渐偏离标准的数学表达规范。

第二类是"幻觉和数学错误"类词汇。这是最严重的一类问题，包含了明显的事实错误、计算错误或者凭空捏造的数值。研究人员发现了许多令人哭笑不得的例子，比如AI在验算时写出"6901 = 67 × 103 - 1"这样的错误等式，或者在应该写"21.5625"的地方写成了其他数字。这些错误虽然最终没有影响到答案的正确性（可能是后续步骤中的其他计算抵消了误差），但却被AI的学习系统错误地认为是"好的做法"而得到强化。

第三类是"格式错误"类词汇。这类问题主要涉及到数学公式的排版和格式规范。比如在数学表达式中应该有空格的地方直接连写，或者使用了不标准的符号组合。虽然这些错误在最终的显示效果中可能被系统自动修正，看起来没有问题，但AI实际上学习到了错误的格式规范。

通过对大量样本的统计分析，研究团队发现了一个有趣的现象：虽然虚假信号词汇的总体数量很少，但它们在不同类型问题中的分布却相对均匀。这说明这个问题不是某种特殊情况下的偶然现象，而是AI学习机制中的一个系统性问题。

更有趣的是，研究人员通过词云分析发现，被STAPO屏蔽的词汇主要包括一些特定的数字（如"4"、"1"、"2"）、数学符号（如"$"）和过渡词汇（如"Wait"、"But"、"Since"）。与此形成对比的是，被保留的正常词汇主要是数学推理中的核心词汇，如"Let"、"find"、"we"、"can"等，这些词汇构成了数学推理表达的基础框架。

六、技术细节：STAPO的精妙设计哲学

STAPO方法的成功不仅仅在于它识别问题的准确性，更在于其设计中体现的精妙平衡哲学。研究团队在开发过程中面临的最大挑战是如何在屏蔽有害信号的同时，避免误伤有用的学习信息。

在阈值设计方面，研究人员采用了一种混合策略。对于不确定性阈值，他们使用了动态百分位数方法。具体来说，系统会在每个训练批次中计算所有词汇不确定性的分布，然后将处于最低20%的词汇标记为"低不确定性"。这种动态调整的好处是能够适应训练过程中AI信心水平的变化，确保始终捕捉到真正"过度自信"的词汇选择。

与此不同，对于概率阈值，研究团队经过大量实验后选择了固定的绝对值。这个决定基于一个重要的观察：如果使用相对百分位数来设定概率阈值，系统就会不分青红皂白地屏蔽掉固定比例的低概率词汇，这样很可能会误伤那些虽然罕见但确实有价值的专业表达。通过使用绝对阈值，STAPO能够更精准地识别那些真正"异常低概率"的词汇选择。

在实现细节上，STAPO还引入了一个重要的重新归一化步骤。当系统屏蔽掉一部分虚假信号词汇的学习信号后，剩余词汇的学习权重需要重新调整，以保证整体学习强度的一致性。这个步骤类似于在音频处理中移除噪音后对有效信号进行增益补偿，确保信息传递的完整性。

研究团队还对STAPO的计算开销进行了优化。虽然需要对每个词汇进行额外的监控和判断，但这些操作都是轻量级的，不会显著增加训练时间。实际测试显示，使用STAPO的训练过程相比传统方法只增加了不到2%的计算时间，这个微小的开销相对于获得的性能提升来说是完全值得的。

七、广泛验证：跨规模跨任务的卓越表现

研究团队为了确保STAPO方法的普适性，进行了极为全面的实验验证。他们不仅测试了不同规模的模型，还在多个不同难度和类型的数学推理任务上进行了评估。

在模型规模测试中，从17亿参数的"小型"模型到140亿参数的"大型"模型，STAPO都显示出了一致的优越性。这种跨规模的稳定表现说明了STAPO解决的是一个基础性问题，而不是某种特定规模下的特殊现象。有趣的是，研究人员发现在较小的模型上，STAPO的改善效果相对更加显著，这可能是因为小型模型更容易受到虚假信号的干扰。

在任务多样性测试中，研究团队选择了六个不同特征的数学推理基准测试。这些测试涵盖了从高中水平到大学竞赛水平的各种数学问题，包括代数、几何、概率论和数论等多个分支。STAPO在所有这些不同类型的任务上都表现出色，证明了这种方法对于数学推理的普遍适用性。

特别值得关注的是敏感性分析结果。研究团队系统性地测试了不同参数设置对STAPO性能的影响。他们发现，概率阈值的选择对性能有显著影响：当阈值设置得过高时（比如0.02），会屏蔽掉太多正常的低频但有用的词汇；当阈值设置得过低时（比如0.0002），则无法有效识别虚假信号词汇。通过细致的网格搜索，研究人员找到了最优的参数配置。

在不确定性阈值方面，实验显示使用20%百分位数是最佳选择。当这个比例提高到50%或80%时，性能会明显下降，因为系统开始错误地屏蔽一些正常的高确定性词汇选择。这些敏感性分析不仅帮助优化了STAPO的性能，也为未来在其他任务上应用这种方法提供了重要的参考指南。

研究团队还进行了消融研究，分别测试了只使用概率信息、只使用不确定性信息，以及只使用评价信号信息的效果。结果清楚地显示，只有将这三个维度结合起来，STAPO才能达到最佳效果。任何单一维度的判断都无法准确识别真正的虚假信号词汇，这再次验证了STAPO设计理念的正确性。

说到底，这项研究为我们揭示了一个深刻的道理：有时候最大的问题来自最小的细节。就像一粒沙子可能卡住整个精密机械一样，那些看似微不足道的错误词汇选择，竟然能够干扰整个AI系统的学习过程。STAPO方法的成功告诉我们，解决复杂问题有时不需要大刀阔斧的改革，而是需要精准的"微调"。

这项研究的意义远不止于提升AI解数学题的能力。它为我们理解AI学习过程中的细微机制提供了新的视角，也为开发更稳定、更可靠的AI系统指明了方向。当我们看到STAPO仅仅通过屏蔽0.01%的有问题词汇就能带来如此显著的改善时，不禁让人思考：在AI快速发展的今天，我们是否应该更多地关注这些"细节中的魔鬼"，而不仅仅是追求更大的模型和更多的数据？

归根结底，STAPO的故事告诉我们，真正的智能不在于处理更多的信息，而在于能够识别和过滤掉那些看似正确但实际有害的信息。这或许正是未来AI发展需要重点关注的方向：不是让AI学得更多，而是让AI学得更准确、更智慧。对于那些希望深入了解技术实现细节的读者，完整的研究内容可以通过论文编号arXiv:2602.15620v1在学术数据库中查阅。

Q&A

Q1：STAPO方法是如何识别出有害词汇的？

A：STAPO通过监控三个关键指标来识别有害词汇：词汇是否获得正面评价、出现概率是否很低（小于0.002%）、AI对选择该词的确定性是否很高（处于最低20%不确定性）。只有同时满足这三个条件的词汇才会被标记为虚假信号词汇并被屏蔽。

Q2：为什么只屏蔽0.01%的词汇就能带来20%的性能提升？

A：虽然虚假信号词汇数量很少，但它们产生的学习信号异常强烈。研究发现这些词汇的学习强度比正常词汇高16.7%，因为低概率和高确定性的组合会放大学习信号。就像安静环境中的一点噪音会特别刺耳一样，这些少量的错误信号会严重干扰AI的整体学习过程。

Q3：STAPO方法适用于数学题以外的其他AI任务吗？

A：目前的研究主要集中在数学推理任务上，但研究团队认为这种方法的原理具有普适性。任何需要精确表达和逻辑推理的AI任务都可能存在类似的虚假信号问题。不过要在其他领域应用STAPO，需要根据具体任务特点调整参数设置和识别标准。