在大語言模型的競爭中，數學與代碼推理能力已經成為最硬核的“分水嶺”。從 OpenAI 最早將 RLHF 引入大模型訓練，到 DeepSeek 提出 GRPO 算法，我們見證了強化學習在推理模型領域的巨大潛力。然而，想要復現這些頂尖成果，并不只是“多喂點數據、跑幾輪訓練”這么簡單。現實是，很多中小規模的開源推理模型，在 AIME 這樣的高難數學競賽題、或 LiveCodeBench 這樣的復雜代碼評測中，依然與閉源 SOTA 存在明顯差距。
最近，快手 Klear 語言大模型團隊推出了全新的 Klear-Reasoner 模型，基于 Qwen3-8B-Base 打造，在數學與代碼的多個權威基準測試中達到同規模模型的 SOTA 水平，并完整公開了訓練細節與全流程 pipeline。
論文鏈接：https://arxiv.org/pdf/2508.07629
Hugging Face：https://huggingface.co/Suu/Klear-Reasoner-8B
GitHub：https://github.com/suu990901/KlearReasoner/tree/main
Klear-Reasoner 在 AIME2024、AIME2025、LiveCodeBench V5 和 V6 等基準測試中，不僅全面超越同規模的強力開源模型（包括 DeepSeek 蒸餾版 DeepSeek-R1-0528-8B），更是在 AIME2024 上取得了 90.5%、AIME2025 上取得了 83.2% 的驚人成績，直接登頂 8B 模型榜首。
在這些成果的背后，最核心的技術創新是Klear團隊提出的 GPPO（Gradient-Preserving Clipping Policy Optimization）算法 ——一種在保留訓練穩定性的同時，大幅提升探索能力的強化學習優化方法。
在PPO和GRPO等常用的策略優化方法中，clip是控制訓練穩定性的重要手段，它通過限制策略更新幅度，避免模型一步走得太遠而導致崩潰。Klear團隊在實踐中發現，clip 機制在保護穩定性的同時，也切斷了模型獲取最有價值學習信號的通道，模型變得保守，不敢嘗試新路徑，遇到錯誤也修正遲緩。
為解決以上問題，Klear團隊提出的 GPPO（Gradient-Preserving Clipping Policy Optimization）算法，GPPO的核心思想很直接：不丟棄任何梯度，并且對其進行溫和回傳。通過 GPPO，推理模型可以在穩定性與探索力之間找到新的平衡點，讓它們既敢于嘗試，也能迅速糾錯。
在與現有方法的對比中（包括DAPO的clip-higher以及MiniMax-M1的CISPO方法），GPPO在數學和代碼任務上都表現出優勢。
數學強化學習訓練中GPPO、GRPO（帶Clip Higher策略）與CISPO的對比。
除了提出GPPO算法外，Klear團隊在論文中對訓練流程的多個關鍵環節進行了深入實驗與分析，揭示了長思維鏈推理模型成功背后的幾個核心要素，為社區貢獻了一條可復現、可推廣的推理模型監督學習和強化學習路線：
實驗表明，與數據量大但質量參差的數據源相比，來自少數高質量數據源的樣本更具訓練效率和效果優勢。
高質量數學數據Top-K子集組合對監督微調（SFT）性能的影響。
對于簡單任務，錯誤樣本的引入會明顯影響性能，但對于高難度任務，保留部分帶瑕疵的推理路徑，反而能夠提升模型表現。
通過三組實驗分析了數據正確性對模型性能的影響，分別在簡單（Easy）、困難（Hard）和整體（Overall）任務集上對比了純正確數據（Only True）與含錯誤數據的混合數據（Mixed）的表現差異。表格中加粗數值標識了各組內的最優性能結果。
在代碼任務的強化學習階段，使用軟獎勵（根據通過測試用例的通過率）比硬獎勵（完全通過得分，否則為零）更有效
代碼強化學習中軟獎勵與硬獎勵策略的對比。在軟獎勵設置中，獎勵值等于測試用例通過率；而在硬獎勵設置中，僅當所有測試用例均通過時給予正向獎勵，否則給予負向獎勵。
在代碼RL數據準備階段，Klear團隊調用DeepSeek-R1-0120為每個prompt生成了16條回復，只有pass@16大于0.5的數據會被保留
在LiveCodeBench V5基準（avg@4指標）上，使用過濾與未過濾數據的代碼強化學習性能對比。Filter表示使用過濾數據的強化學習結果，而w/o Filter代表使用原始未過濾數據集的結果。
Klear-Reasoner 的推出，不僅是一份性能亮眼的開源權重，更為社區貢獻了一條可復現、可推廣的推理模型監督學習和強化學習路線。通過 GPPO，推理模型可以在穩定性與探索力之間找到新的平衡點，讓它們既敢于嘗試，也能迅速糾錯。這對于未來的數學、代碼，甚至其他RLVR任務，都有著重要的參考價值。
