2025年推理模型综合测评报告 .docxVIP

推理理模型综合测评报告

2025

语?言推理理

数学多步推理理推理理

逻辑幻觉推理理控制

?目录CONTENT

01 推理理模型发展阶段和发展因素分析

02 推理理模型测评体系和结果分析

03 推理理模型未来展望

推理理模型发展阶段和发展因素分析

推理理模型发展的前置因素①—推理理时计算拓拓展（Inference-ComputeScaling）

u根据?一些学术论?文的研究，在推理理过程中增加计算资源，能够有效提?高?大模型的输出质量量。这相当于在现实?生活中，?人在遇到较难的问题是也需要更更多的思考时间或思考量量。

u这?一思路路逐渐总结为推理理时计算拓拓展，并逐渐演变出3条主要路路径。例例如，OpenAI发布的o1模型通过动态扩展思维链（Chain-of-Thought）?长度，并采?用了了?自我验证机制，?生成多个候选答案后通过内部评分筛选最优解。

为什什么？

难点①固定参数≠泛化能力力

传统?大模型在推理理过程中依赖训练阶段形成的静态参数。当遇到没?见过的问题时，?大模型需要?一种更更加动态和灵活的计算策略略与?自我纠错的系统能力力。

难点②探索资源效率更更优的路路径

传统ScalingLaw的边际收益递减且成本激增，?人们需要探索?一种资源效率利利

?用更更?高的路路径?方式。

?鼓励?大模型在回

答问题时更更多地

“思考”

怎么做？

深度思维提示——拉?长单链思考时间，让模型多想?一步通过“逐步思考”等提示词的注?入，让?大模型?生成更更?长的单链推理理

多链多数表决——并行行多条思路路，投票选其最优通过并行行解码，在?生成的多个思维链中，进行行多数表决或者加权投票，选择最优的?一条输出

路路径搜索——边思考边筛选，保留留最佳路路径

通过搜索过往路路径，多路路径中筛选最优通路路

备注：InfoQ研究中?心根据科研论?文整合，代表为《ScalingLLMTest-TimeComputeOptimallycanbeMoreEffectivethanScalingModelParameters》、《LearningtoreasonwithLLMs》

4

成分推理理模型发展的前置因素②——基于可验证奖励的强化学习（RLVF

成

分

u除了了推理理时计算拓拓展，基于可验证奖励的强化学习（RLVF）帮助?大模型真正掌握?长链推理理。DeepSeek、OpenAICodex、k1.5、

TüLU3等最新?一代模型的技术论?文都披露露了了类似范式，并在编程竞赛、数学推导与通?用推理理benchmark上验证了了RLVF的显著收益。为什什么？ 怎么做？

为什什么RLHF不不够？

? 主观：反馈中包含?人?工主观偏好； 训练数据

①

抽样提示

④策略略更更新

策略略模型

? 昂贵：?长链推理理中?人?工评分难，对标注员要求?高，

造成招募难度和成本双?高

打

③奖

励

?生

②答

案

为什什么是基于可验证奖励的强化学习？

可验证奖励? 客观抗作弊：编译器?/单元测试判分，且沙箱执

行行，可实时侦测reward-hacking

? 低成本：全