Klear-Reasoner

Klear-Reasoner – 快手開源的推理模型

Klear-Reasoner，快手推出的基于Qwen3-8B-Base的強大推理模型，在數學與代碼領域展現出卓越的洞察力。其核心創新在于GPPO算法，它巧妙地保留了被裁剪的梯度信息，有效解決了傳統方法中探索受限與負樣本收斂遲緩的難題。通過長思維鏈監督微調（long CoT SFT）與強化學習（RL）的深度融合，Klear-Reasoner在AIME和LiveCodeBench等權威基準測試中，為8B模型樹立了新的標桿。該模型的訓練細節與完整流程已公開，為推理模型的研究與復現提供了寶貴的參考路徑。

Klear-Reasoner：洞悉數學與代碼的智能引擎

Klear-Reasoner是由快手精心打造的一款先進推理模型，其根基穩固于Qwen3-8B-Base，并專注于在數算和代碼理解兩大關鍵領域實現能力飛躍。模型通過精妙的長思維鏈監督微調（long CoT SFT）以及強化學習（RL）的聯合訓練，核心的突破性技術在于其獨創的GPPO算法。這一算法通過革新性的梯度處理方式，保留了本應被裁剪的梯度信息，從而有效地克服了傳統模型在探索未知領域時的能力局限，以及在面對負面樣本時收斂緩慢的頑疾。在AIME數學競賽和LiveCodeBench代碼評測等嚴苛的基準測試中，Klear-Reasoner已然達到了8B模型級別中的頂尖水準。更重要的是，Klear-Reasoner的訓練過程及其全套流程已完全對外公開，為整個推理模型領域的發展貢獻了重要的參考價值與可復現的研究路徑。

Klear-Reasoner的核心能力概覽

• 精湛的數學推理能力：Klear-Reasoner在解析和解決復雜的數學難題方面表現非凡，能夠應對高難度的數學競賽題目，展現出強大的邏輯推演實力。
• 卓越的代碼生成與解析：該模型能夠生成高質量的代碼片段，并在LiveCodeBench V5和V6的評測中分別取得了66.0%和58.1%的優異準確率，充分證明了其在代碼理解和生成方面的深厚功底。
• 駕馭長思維鏈的智慧：Klear-Reasoner能夠高效處理需要多步邏輯推演的長思維鏈任務，通過長思維鏈監督微調（long CoT SFT）和強化學習（RL）的訓練，顯著提升了模型在復雜多步推理場景下的表現。
• 精益求精的數據優化策略：在模型訓練過程中，Klear-Reasoner嚴格篩選高質量的數據源，確保模型能夠學習到最精準的推理模式。同時，它巧妙地保留了一部分錯誤樣本，這反過來增強了模型的探索能力，使其在面對未知挑戰時更加游刃有余。

Klear-Reasoner背后的技術驅動力

• 長思維鏈監督微調（long CoT SFT）：通過引入高質量的監督數據進行微調，Klear-Reasoner得以學習到精確的推理模式。模型優先選取少數精挑細選的高質量數據源，有效規避了低質量數據可能帶來的噪聲干擾。值得一提的是，模型還特意保留了部分錯誤樣本，尤其是在處理高難度任務時，這些樣本能夠顯著激發模型的探索潛能。
• 強化學習（RL）的深度賦能：為了進一步打磨模型的推理能力，特別是在數學和代碼這兩個關鍵領域，模型引入了強化學習機制。它采用了軟獎勵機制，根據測試用例的通過情況而非簡單的對錯來給予獎勵，這有效緩解了獎勵稀疏的問題，提升了訓練效率。同時，模型還會對存在問題的測試用例進行過濾，以保證訓練數據的純凈度與高質量。
• GPPO（Gradient-Preserving Clipping Policy Optimization）算法：在傳統的PPO和GRPO算法中，裁剪操作（clip）會無情地丟棄高熵（high-entropy）token的梯度，這極大地限制了模型的探索邊界，并導致負樣本的收斂過程異常緩慢。GPPO算法則開創性地引入了stop gradient操作，將裁剪操作與梯度反向傳播過程解耦，確保了所有token的梯度都能被保留。對于高熵token，GPPO在保留其梯度的同時，將其約束在一個合理的范圍內。而對于負樣本token，GPPO同樣保留其梯度，并加以適度的限制，從而顯著加快了錯誤修正的速度。
• 軟獎勵機制的優勢：在代碼任務的強化學習訓練中，相較于硬獎勵（完全通過則得分，否則為零）而言，軟獎勵機制（根據測試用例的通過率給予獎勵）展現出更佳的效能。這種機制能夠有效緩解獎勵信號的稀疏性問題，增加訓練信號的密度，降低梯度估計的方差，使得模型的學習過程更加平穩且高效。

Klear-Reasoner的資源獲取途徑

• GitHub代碼庫：https://github.com/suu990901/KlearReasoner/
• HuggingFace模型庫：https://huggingface.co/Suu/Klear-Reasoner-8B
• arXiv技術論文：https://arxiv.org/pdf/2508.07629

Klear-Reasoner的廣泛應用前景

• 教育領域的智慧助力：作為一款智能的數學輔導工具，Klear-Reasoner能夠為學生提供詳盡的解題步驟與推理過程，幫助用戶更深入地理解和掌握數學知識。
• 賦能軟件開發的效率：該模型能夠自動生成高質量的代碼片段，極大地輔助開發者快速構建功能模塊，同時還能提供代碼審查建議，從而提升代碼的整體質量和開發效率。
• 金融科技領域的精準決策：在金融領域，Klear-Reasoner能夠對海量金融數據進行深度分析，輔助風險評估與預測，為金融機構提供強有力的邏輯推理支持，助力更明智的決策制定。
• 科研與數據分析的加速器：Klear-Reasoner能夠高效處理復雜的數據分析與科學計算任務，為研究人員提供寶貴的邏輯推理和模型解釋，顯著提高科研工作的效率。
• 智能客服的卓越體驗：在智能客服場景下，Klear-Reasoner能夠快速準確地解答用戶提出的復雜問題，并清晰地展示推理過程，從而大幅提升用戶體驗和問題解決的效率。