小红书与中科院突破：反向学习法实现AI数学推理能力提升11.5分

这项由小红书技术团队与中国科学院自动化研究所联合开展的研究，以预印本形式发布于2026年5月，论文编号为arXiv:2605.11609。感兴趣的读者可通过该编号在arXiv平台查阅完整原文。

当你辅导一个孩子解数学题时，你可能遇到过这样的困境：如果你提前把答案告诉他，他往往只会机械地套用你给出的那条路径，完全不愿意自己动脑筋探索其他解法。这种情况下，告诉他答案反而害了他——因为他失去了独立思考的机会。现如今，AI在学习数学的时候，也掉进了完全相同的陷阱。

研究团队发现，当前一种流行的AI训练方法叫做"自蒸馏"（self-distillation），其思路听起来很聪明：让AI自己既当学生又当老师，给老师版本看正确答案，然后让学生版本向老师学习。然而在数学推理这个领域，这种方法在多个主流AI模型上几乎全军覆没，表现甚至比不用这种方法的基线还差。这是为什么？又该怎么修？

研究团队提出了一个反直觉的解决方案：既然向老师学习会有问题，那就反着来——主动远离老师的做法。这套方法被命名为"反自蒸馏"（Anti-Self-Distillation，简称AntiSD）。在五个规模从40亿到300亿参数不等的AI模型上，AntiSD不仅让模型以快2到10倍的速度达到原先的训练效果，最终准确率更是最多提升了11.5个百分点。

一、老师知道答案，反而害了学生

要理解这个问题的根源，先从"自蒸馏"的工作原理说起。在标准的强化学习训练中，AI会不断尝试解题，每次答对就得一分，答错就不得分。这种方式就像给孩子做判断题——只知道对错，不知道哪一步做错了，学习效率很低。

自蒸馏的出现正是为了解决这个问题。它的做法是：拿同一个AI模型扮演两个角色——"学生版本"正常解题，"老师版本"则在看过正确答案之后，对学生写的每一个字词重新打分。学生版本再向老师版本学习，从而获得比单纯对错反馈更细致的指导信号。

听起来很合理，对吧？但研究团队发现了一个致命的结构性缺陷。他们分析了老师版本对每一个词的态度，结果发现了一个清晰的两极分化模式。

当老师版本看过正确答案之后，它对某些词语会变得极度自信——比如"因此"、"代入"、"成立"这类词，因为它已经知道推导方向是对的，这些词在正确推导中自然而然就会出现。研究团队把这类词称为"走捷径的词"。与此同时，老师版本对另一类词则变得特别排斥——比如"等等"（Wait）、"或许"（Maybe）、"换个角度"（Alternatively）。这些词代表着重新审视问题、探索多种可能的思维过程。但老师版本已经知道正确答案了，自然觉得这些"犹豫的词"没有必要。

于是标准自蒸馏的实际效果变成了：让AI学会避开探索性思维，直奔它认为正确的路径。这在数学上是灾难性的，因为复杂数学题恰恰需要大量的"等等，让我换个思路试试"。这也解释了为什么研究者们普遍观察到一个现象：用自蒸馏训练的AI，回答会越来越短——不是因为它变聪明了，而是因为它被训练成了不再探索。

研究团队用一个信息论工具——逐点互信息（Pointwise Mutual Information，PMI）——严格证明了这个分析。简单来说，这个工具衡量的是"知道了答案之后，某个词出现的概率是升高了还是降低了"。升高的词就是"走捷径的词"，降低的词就是"探索性的词"。标准自蒸馏奖励前者、惩罚后者，方向完全错了。

二、反着学：远离老师，反而找到自己的路

找到了问题所在，修复思路就直接了当：既然老师的信号方向错了，那就反过来用。

标准自蒸馏是让学生往老师靠近，AntiSD则是让学生主动往老师的反方向走。用数学语言表达就是：原来是"最小化学生和老师之间的差异"，现在变成了"最大化学生和老师之间的差异"。这一字之差，让每个词的信号方向全部翻转——原来被奖励的"走捷径的词"现在受到压制，原来被惩罚的"探索性词语"现在得到鼓励。

这有点像考试备考时的一个反常策略：与其死记老师给的标准答案，不如刻意练习那些老师没有强调、但自己容易想不到的解题路径。

不过，单纯反向学习会带来一个新问题：没有一个天然的"停止时机"。原来向老师靠近是有终点的——靠得足够近就停了。但反向远离不一样，理论上可以一直远下去直到出问题。为此，研究团队引入了两个附加设计。

第一个是选择更合适的"差异度量方式"。研究团队选择了詹森-香农散度（Jensen-Shannon Divergence，JSD），而非另一种常见的KL散度。这里有个重要的工程考量：在实际训练数据中，"探索性词语"出现的频率比"走捷径的词语"更高，而且有些极端情况下的信号值会达到负20以下，非常夸张。JSD的数学特性能自动给探索性词语那一侧的信号设置一个上限（约为0.347），避免极端值主导整个训练过程。走捷径那一侧则没有上限，确保极端的走捷径行为受到强力压制。

第二个是"熵触发开关"。当老师版本自己也变得过度自信——比如它已经完全收敛到某个固定模式，每个词都确定无疑——这时候老师和学生之间的差异信号就不再有信息价值，都是噪音了。研究团队设计了一个自动监控机制，持续追踪老师版本每个词位置上的"不确定程度"（用信息熵衡量）。一旦这个不确定程度跌破某个阈值，就把反自蒸馏的训练信号关掉；等老师的不确定程度恢复正常，再重新开启。这种设计参考了电子电路中的"施密特触发器"原理，能有效避免在临界点附近反复开关抖动。

整个方法的实现非常轻量。只需要在原有的训练流程中，多做一次带有正确答案的前向推理（forward pass），用来计算老师版本对每个词的概率，然后根据公式算出每个词的权重，加到原有的训练信号里就行了。没有额外的模型，没有额外的数据，计算开销几乎可以忽略。

三、实验结果：效率和准确率双双飙升

研究团队在五个主流开源AI模型上进行了完整测试，涵盖Qwen3-8B、Qwen3-4B-IT-2507、Olmo3-7B-IT、Olmo3-7B-TK和Qwen3-30B-A3B，参数规模从40亿到300亿不等。训练数据使用了DAPO-Math-17k这个数学题数据集，共训练200步。评估则在AIME 2024、2025、2026（美国数学邀请赛）、HMMT 2025（哈佛-MIT数学竞赛）和MinervaMath五个基准上进行。

结果非常一致地呈现出三个规律。

第一个规律是"点火速度"大幅提升。AntiSD从训练第一步就能提供有意义的逐词信号，不需要等待稀疏的对错反馈慢慢累积。在Qwen3-4B-IT-2507这个模型上，AntiSD仅用大约30步就达到了标准GRPO训练需要150步才能达到的训练奖励水平。换算成倍数，AntiSD在不同模型上达到GRPO基线准确率的速度是后者的2到10倍。对于研究者来说，训练成本大幅下降意味着可以用同样的算力探索更多方向。

第二个规律是"最终准确率"全面提升。在所有五个模型上，AntiSD的最终平均准确率都超过了标准GRPO。提升幅度从最小的2.1个百分点（Olmo3-7B-TK，这个模型的基线本来就已经很强）到最大的11.5个百分点（Qwen3-8B）。在最难的HMMT 2025竞赛题上，Qwen3-8B的得分从39.2%提升到了54.4%，提升幅度达到15个百分点。

为了验证提升不是靠"押宝"少数几道题来的，研究团队还测试了pass@k指标，也就是用32次机会来回答同一道题，看能解出多少道题。AntiSD在32次机会的宽松条件下依然领先GRPO大约7到10个百分点，说明它确实解锁了GRPO根本无法解决的题目，而不是靠减少随机性来凑分。

第三个规律是"标准自蒸馏全面崩溃"。在所有五个模型上，使用正向自蒸馏的结果都比不用自蒸馏的基线差，有时差距惊人——Qwen3-8B上，标准自蒸馏的平均分是30.6，而不用的是57.4，差了将近27个百分点。这证实了之前理论分析的预测：把有答案的老师的信号方向用错了。

研究团队还做了一个有意思的延伸实验：在代码编写任务上，AntiSD同样让Qwen3-8B在HumanEval+上提升1.2个百分点、在MBPP+上提升2.3个百分点。虽然提升幅度没有数学任务那么大，但方向完全一致，说明这个方法的有效性不局限于数学。

四、拆解每个零件，哪个最重要

为了搞清楚到底是哪个设计起了关键作用，研究团队做了详细的消融实验——也就是一次只改变一个设计选择，看效果如何变化。

其中有一个实验最能说明问题：如果把老师的正确答案信息完全去掉，只让模型基于自己的概率来反向学习，会怎样？结果是三个模型无一例外地在大约70步内彻底崩溃——训练奖励归零，回答越来越长直到超出上限，模型进入无法恢复的死循环。这清楚地说明，AntiSD有效的关键不是"反向学习"这个动作本身，而是"以老师和学生之间的差异"作为信号来反向学习。去掉老师的正确答案，信号就没有了依托，反而会放大模型原本的任何偏向，形成正反馈崩溃。

另一个有趣的发现是关于熵触发开关的。在Qwen3系列模型上，去掉开关后，模型确实先跑得更快——在大约40步时就达到了0.97的训练奖励——但随即在90步左右因为老师版本过度自信而崩溃。而在Olmo3-7B-IT模型上，同样去掉开关，却能撑过全程200步而不出问题。差异来自于这两类模型的初始信息熵水平：Qwen3模型起步时每个词的不确定程度大约是0.4纳特，距离"完全确定"的临界点不远；Olmo3模型起步更高，有足够的余量不需要开关保护。这说明开关起到的是"跨模型保险"的作用，而非针对某个特定模型调整的参数。

在具体的数学形式选择上，研究团队比较了JSD和KL散度的反向版本。结果显示，用KL散度的反向版本在Qwen3-4B-IT-2507上直接失败了，平均分只有49.5，不仅没有超过GRPO基线，甚至在整个训练过程中都无法稳定提升。这验证了之前的分析：KL散度在探索性词语那一侧没有上限，极端信号值过大，导致训练不稳定。

此外，研究团队还测试了"加性合并"和"乘性合并"两种方式把AntiSD的信号加入原有训练信号中。加性方式效果更好，理由也很直觉化：在对错信号很弱的情况下——比如模型面对一道极难的题，几乎所有尝试都失败了——乘性方式会把AntiSD的信号一起缩小到接近零，恰恰在最需要探索性引导的时候失去了它的作用。加性方式则不受此影响，始终保持独立的贡献。

研究团队还验证了一个实用场景：能不能在一个已经用标准方法训练饱和的模型上，再叠加AntiSD？他们从Qwen3-8B的标准训练终点重新出发，只再跑50步AntiSD，结果在30步内就基本追上了从零开始训练AntiSD整整200步的效果。这说明AntiSD的信号对已经很强的模型依然有价值——它照亮的是那些靠对错反馈永远无法抵达的角落。

五、为什么这件事比看起来更重要

从技术上来讲，AntiSD实际上提供了一个不需要人工标注、不需要额外模型的"逐步奖励信号"。研究团队在论文中证明了，把每一步的信号加总起来，恰好等于"在知道正确答案之后，对整个回答的综合评价"。这意味着这个逐步信号在理论上不会改变最优策略的集合，只是帮助更快、更准确地找到那些最优策略。

更深层的意义在于，这项研究从一个实验失败开始——自蒸馏在数学上不管用——然后通过精确的理论分析找到了失败的根源，再针对根源设计了一个最小改动的修复方案。整个过程是标准的科学推进路径，而得到的结论出人意料地干净：只需要翻转一个符号，加上一个自动触发的保险，就能让一个普遍失败的方法变成一个系统性成功的方法。

说到底，这项研究揭示的是一个更普遍的道理：在学习复杂推理的时候，知道"应该往哪里走"并不总是好事，有时候反而需要保护那些"还不确定要往哪里走"的时刻。探索本身就是价值的来源，而任何会压制探索的训练信号，都可能在无意间把模型训练成了一个只会背捷径的优等生，而不是真正会思考的问题解决者。

当前研究的评估范围主要集中在数学推理，以及一个初步的代码任务测试。研究团队也坦诚，AntiSD的理论分析描述的是每一步的局部信号特性，而非整个训练过程的全局收敛保证。多轮对话、更大规模的模型，以及更丰富的特权信息形式，都是值得继续探索的方向。有兴趣深入了解具体数学推导和实验细节的读者，可以通过arXiv:2605.11609查阅完整论文。

Q&A

Q1：AntiSD的"反自蒸馏"为什么反向学习老师反而会更好？

A：标准自蒸馏让AI向看过答案的老师靠近，但老师知道答案后会偏爱"结论性词汇"、压制"探索性词汇"，导致AI越来越不会独立探索。AntiSD把这个信号方向翻转，主动压制"走捷径词汇"、鼓励"探索性词汇"，反而帮助AI保留了解复杂题目所需的多路径搜索能力。

Q2：AntiSD训练速度快2到10倍，意味着什么？

A：意味着同样的算力和时间可以训练出更强的模型，或者用更少的资源达到原来的效果。对于需要大量迭代的AI研究团队来说，这种效率提升直接降低了训练成本，也让更快速地探索不同方案成为可能。

Q3：AntiSD方法是否可以用在已经训练好的AI模型上继续提升？

A：可以。研究团队验证了在一个已经用标准方法训练到饱和的Qwen3-8B模型上，只需额外运行30步AntiSD，就基本追上了从头训练AntiSD整整180步的效果。说明这个方法可以作为"增强补丁"叠加在现有模型上，而不必从零开始重新训练。