0
当大语言模型开始被要求解数学题、写证明、规划任务流程，人们才真正意识到一件事：会生成并不等于会推理。
过去几年，行业把大模型推向前所未有的规模，用 RLHF 和各种奖励技术把答案校准得越来越像人类。但一个越来越尖锐的现实问题也随之浮现：模型为什么有时一本正经地胡说八道？为什么在同一训练框架下，它有时异常自信却错误，有时又显得畏首畏尾？在人们不断强化学习信号、追求更高分数的同时，一个关键问题始终没有被真正回答：正样本与负样本到底在模型内部改变了什么。
正是在这样的背景下，来自人大高瓴学院的赵鑫团队把注意力放在了这一核心问题上。他们没有急于再提出一个更大的模型或更复杂的算法，而是刻意退后一步，围绕 RLVR 框架设计了一整套系统实验：如果只用正样本会发生什么，只用负样本又会产生怎样的行为变化。模型是在真正形成推理能力，还是被奖励函数推着走向某些看似合理的套路？进一步地，在一条完整的推理链中，是否存在少数关键 token，像岔路口一样决定模型是走向正确，还是自信地偏离轨道。
围绕这些问题，研究团队完成了论文《A3PO: Adaptive Asymmetric Advantage Shaping for Reasoning Models》，并提出了推理模型训练方法 A3PO。与其说这是一次方法层面的创新，不如说它首先完成了一次机制澄清：正样本主要收缩策略空间，使模型在既有正确路径上更加笃定，负样本则扩张策略空间，推动模型跳出旧有模式持续探索，而真正决定训练走向的，并非整条样本本身，而是推理过程中那些冷门却正确、以及自信但错误的关键 token。
在这一认识基础上形成的 A3PO 方法，将训练重点从整体样本转向关键决策点，使推理模型的学习过程变得更加可解释、也更可控制。这一转变表明，推理大模型的进步不再只是依赖规模和算力，而正在走向对训练机制本身的深入理解。
论文地址：https://arxiv.org/pdf/2512.21625v1
实验中，研究人员首先对比了正样本和负样本，并发现它们在训练过程中起到的作用完全不同。
具体表现为，当只用正样本训练（PSR）时，模型会变得越来越确定：熵迅速下降，输出分布越来越尖锐，答案长度明显变短，经常直接给出结果而不展开完整推理。这说明正样本更多是在强化已经正确的推理路径，让模型不断重复熟悉的解题套路，同时也会抑制继续探索新路径。
与此相反，只用负样本训练（NSR）时，模型的熵保持在较高水平甚至上升，回答长度变长，推理步骤增多，表现出更强的尝试和探索倾向。这是因为负样本训练主要在削弱错误 token 的概率，使原本集中的概率被分散到其他候选路径上，从而带来更强的探索能力。
不过，实验也表明，两种极端方式其实都不理想：只用正样本容易出现 reward hacking，只报答案不推理，只用负样本训练不稳定，甚至可能生成乱码。整体比较下来，正负样本同时使用（DAPO）时训练曲线更平稳，泛化能力也最好。
在此基础上，研究人员又引入锐化（sharpen）和发现（discovery）两个指标来刻画模型生成内容的变化。锐化指标反映模型是否在重复历史正确答案中已经出现过的 n-gram，而发现指标反映是否产生了新的、从未出现过的 n-gram。雷峰网(公众号：雷峰网)
结果显示，在锐化指标上，PSR 高于 DAPO，DAPO 又高于 NSR，在发现指标上则相反，NSR 最高，DAPO 居中，PSR 最低。这表明正样本更像在磨刀，使已有正确模式变得更熟练、更稳定，而负样本更像在开路，推动模型寻找新的推理方式，两者结合才能既保证稳定性，又拓展能力上限。
研究团队还从极性级 advantage 的角度分析了正负样本权重的影响。以 Qwen2.5-7B-Math 为例，当增大正样本权重（如 P2N1、P1N0.5）时，训练奖励上升更快，但熵明显下降、输出变短，探索能力减弱，权重过大时甚至会过拟合既有模式，而当增大负样本权重（如 P1N5）时，熵和输出长度都更高，探索更充分，但奖励上升变慢，模型表现得更加谨慎。
实验表明，决定训练动态的关键不在于各自权重的绝对大小，而在于正负样本之间的比例，例如 P2N1 与 P1N0.5 的比例相同，曲线表现也非常相似。总体来看，正负 advantage 比例大约在 1:2 左右时，能够较好地兼顾收敛速度与探索能力。
最后，在 token 级别的实验中，研究人员进一步分析了哪些 token 在训练中最关键。结果发现，并不是所有 token 都同等重要，而是两类最关键：一类是正样本中的低概率 token，即冷门但正确的推理步骤，另一类是负样本中的高概率 token，也就是模型非常自信但实际上是错误的部分。
前者需要重点奖励，以保留多样但正确的推理路径，后者需要重点惩罚，防止模型固执地坚持错误答案。新提出的 A3PO 方法正是围绕这两类关键 token 进行非对称加权设计的，这一点也得到了实验数据的支持。
在 Qwen2.5-7B-Math 上，A3PO 在 AIME24 与 AIME25 上分别从 DAPO 的 27.6 和 21.4 提升到 31.5 和 24.8；在 Qwen3-8B-Base 上，也从 34.2/26.1 提升到 37.8/30.4；在 DeepSeek-R1 蒸馏模型上，则从 60.8/50.8 提升到 65.2/54.1。并且，这些提升不仅出现在单一数据集上，而是在 AIME、MATH500、GPQA 等多个基准上同时出现，其中多项结果还通过了显著性检验。
因此，可以认为 A3PO 在保持较强探索能力的同时，确实在不同模型与不同评测任务上带来了稳定且明确的性能提升。
为了得到全面的实验结果，研究人员首先围绕 RLVR 框架搭建了一系列对照实验，目的是不急于提出新方法，而是先把正样本和负样本的作用拆开来看，分别考察只用正样本、只用负样本以及正负样本同时使用时模型的具体表现。雷峰网
实验选择了三种类型不同的大语言模型作为基座，包括数学能力增强的 Qwen2.5-7B-Math、通用预训练模型 Qwen3-8B-Base 以及经过推理蒸馏的 DeepSeek-R1-Distill-Qwen-7B，并分别在三种训练范式下进行对比：只使用正样本更新的 PSR，只使用负样本更新的 NSR，以及同时利用正负样本、目前较常用的 DAPO 方法。
整个训练过程中不仅跟踪模型的熵、生成回答长度和奖励值等指标，以反映其确定性与探索性的变化，还在验证集上测试 AIME25 的 Avg@32 和 Pass@32 等指标，来评估真实推理能力。
在确认正负样本都发挥重要且不同作用之后，研究人员进一步进行粗粒度的参数控制实验，从极性层面调整 advantage 权重。在 Qwen2.5-7B-Math 上，将 RLVR 的损失函数拆分为正样本项和负样本项，通过设置不同的权重组合（如正负 1:5 或 2:1 等），系统比较不同权重比例下模型的熵、输出长度、训练奖励以及 AIME24 上的表现，从而分析正负样本整体权重对训练动态的影响。
在此基础上，研究视角被进一步细化到 token 层面。研究人员不再仅讨论“正负样本整体重要与否”，而是考察一条推理序列内部不同 token 的差异作用。具体做法是根据 token 的熵和概率两个维度，挑选出正样本和负样本中高熵与低熵、高概率与低概率的不同 token 类型，然后分别对这些 token 的 advantage 进行大幅放缩，例如乘以 0.2 或 5，观察模型训练曲线与生成行为随之发生的变化，从而找出真正对训练最敏感、最关键的 token 区域。
在完成以上一系列分析之后，研究团队提出了新的 A3PO 方法，其核心思想是在 RLVR 目标中引入自适应且非对称的 token 级 advantage 加权机制：对正样本中低概率的 token 给予更高奖励，以鼓励保留多样但正确的推理路径，对负样本中高概率的 token 给予更强惩罚，以重点纠正模型自信但错误的推理。同时，这些加权系数在训练过程中逐步衰减，使模型能够从前期的更强探索自然过渡到后期的稳定收敛。
实验采用与前述相同的三种模型，在 DAPO-Math 数据集上进行训练，基于 Verl 与 vLLM 的离线强化学习框架，每个提示生成 8 个样本，训练 300 步，并与 GRPO、DAPO、W-REINFORCE、DAPO-Fork-Tokens 和 Lp-Reg 等方法进行对比，测试任务涵盖 AIME24、AIME25、MATH500、GPQA 与 LiveCodeBench 等多个推理基准。
此外，研究团队还系统评估了 A3PO 在不同模型规模和不同训练数据集上的泛化能力，并对其关键超参数（包括 token 选择比例、初始缩放系数 ρ 以及衰减系数 α）进行了敏感性分析，从而形成完整的实验设计框架。
整体来看，这项研究的核心意义在于，它把原本相对模糊的 RLVR 训练过程，转化为一个具有清晰结构和内部机制解释的框架。过去在强化学习训练推理模型时，人们大致知道需要正样本，也会使用负样本，但往往难以回答一个根本问题：正负样本各自在训练中究竟起什么作用，它们如何改变模型的学习动力学。
这项工作通过系统实验给出了明确答案：正样本主要收缩策略空间，使模型已经掌握的正确模式更加集中和稳定，负样本则扩张策略空间，迫使模型脱离旧有模式，去探索新的推理路径。更重要的是，研究并未停留在正样本锐化能力、负样本促进探索这样的概括层面，而是进一步指出训练质量真正取决于哪些具体决策点被重点强化。
研究表明，正样本中那些原本选择概率较低但通向正确答案的 token，以及负样本中那些模型高度自信却指向错误答案的 token，对探索与利用平衡具有决定性影响。
A3PO 的设计正是把这一认识具体化为训练原则，在这些关键拐点上进行非对称 advantage 放大，并随训练进程逐步衰减这种偏置。由此，强化学习不再只是简单地增加正确奖励或扣减错误分数，而是转向围绕关键局部决策点有针对性地塑造策略分布。这样的视角，使正负样本从被动的数据来源，转变为可被精细调控的优化工具，也把方法研究从经验性调参提升到机制性设计层面。
从更长远看，这一思路为大模型对齐、多模态推理以及智能体决策中的强化学习提供了共同的方向，即不再平均对待所有行为信号，而是抓住那些对整体策略结构影响最大的关键 token 和关键状态进行重点塑形。
这篇论文的通讯作者为赵鑫，现任中国人民大学高瓴人工智能学院教授、长聘副教授，同时他也是国家优青项目获得者。
赵鑫教授于 2014 年 7 月在北京大学取得博士学位，之后就职于中国人民大学，至今一直从事教学与科研工作。他的主要研究领域为信息检索与自然语言处理，目前已发表学术论文 200 余篇，谷歌学术引用量超过 1.8 万次。
他牵头开发了开源推荐系统工具 RecBole（伯乐）和文本生成工具 TextBox（妙笔），并组织撰写了《A Survey of Large Language Models》综述论文及中文专著《大语言模型》。
赵鑫教授先后获得吴文俊人工智能优秀青年奖（2020）、ECIR 2021 时间检验奖、RecSys 2022 最佳学生论文提名、CIKM 2022 最佳资源论文提名等荣誉称号，同时入选中国科协青年人才托举工程、北京智源青年科学家和 CCF–IEEE CS 青年科学家计划，其系列研究成果还荣获教育部自然科学一等奖、北京市自然科学二等奖及中国计算机学会自然科学二等奖。
参考链接：https://gsai.ruc.edu.cn/waynexinzhao
雷峰网原创文章，未经授权禁止转载。详情见转载须知。
