یادداشت همه نوشته‌ها
رصد هوش مصنوعی

رانش زبانی در پس‌آموزش RLVR مدل‌های زبانی

این پیش‌چاپ بررسی می‌کند چرا RLVR در وظایف استدلالی تازه می‌تواند زنجیره‌های فکر مدل‌های زبانی را از زبان خوانای انسانی دور کند.

۱۴۰۵/۰۷/۱۲ · ۰۹:۲۶ تهران • ۳ دقیقه مطالعه • سارا کیانی
ذخیره‌ها
دنبال‌کردن در گوگل
تصویر مفهومی از دو مسیر استدلال مدل زبانی که یکی منظم و دیگری به‌تدریج نامتعارف می‌شود، اما هر دو به یک مقصد می‌رسند.

این خلاصه بر پیش‌چاپ مقاله (تاریخ‌گذاری‌شده ۲ اکتبر ۲۰۲۶) تکیه دارد و تا تاریخ تنظیم این خلاصه (۴ اکتبر ۲۰۲۶)، متن مقاله هیچ اشاره‌ای به داوری همتا ندارد؛ بنابراین وضعیت داوری مستقل آن تأییدنشده است. پژوهش «رانش زبانی» را پدیدارشدن رفتار زبانی تازه، نامتعارف یا گاه دشوارخوان در زنجیره‌های فکر مدل‌های زبانی می‌داند؛ پدیده‌ای که می‌تواند فهم و پایش استدلال را برای انسان یا مدل‌های دیگر دشوار کند. دامنه تحلیل به مدل‌های متنی تولیدکننده زنجیره استدلال و پاسخ نهایی محدود است و مدل‌های چندوجهی عمداً کنار گذاشته شده‌اند.

نویسندگان رانش زبانی را واگرایی KL میان توزیع خروجی مدل و یک توزیع مرجعِ زبان انسانی، به‌طور میانگین روی پرسش‌های آن توزیع، تعریف می‌کنند. این توزیع مرجع در عمل قابل محاسبه نیست و صرفاً ثابت اما ناشناخته فرض می‌شود. تحلیل نظری واژگان و طول پرسش، زنجیره استدلال و پاسخ را متناهی فرض می‌کند و برای توزیع‌های مربوط پوشش کامل در نظر می‌گیرد. در چارچوب مقاله، پاداش RLVR فقط به درستی پاسخ نهایی وابسته است و محتوای زنجیره استدلال را مستقیماً پاداش یا جریمه نمی‌کند.

نخستین نتیجه نظری می‌گوید در خانواده‌ای از چک‌پوینت‌های RLVR که پاداش موردانتظارشان کاهش نمی‌یابد، بیشینه ممکن رانش زبانی بی‌کران است: می‌توان پاداش را حفظ یا افزایش داد، در حالی که توزیع زنجیره فکر به‌دلخواه از زبان مرجع دور می‌شود. در مقابل، برای ریزتنظیم نظارت‌شده یا SFT، کاهش یکنواخت آنتروپی متقاطع نسبت به توزیع داده آموزشی، کران بالایی متناهی برای این بیشینه ایجاد می‌کند. این تفاوت، سقف نظری ممکن است و نشان نمی‌دهد هر اجرای RLVR الزاماً رانش شدیدتر از SFT دارد.

قضیه سوم بیان می‌کند که هر سقف ثابت بر رانش زبانی، بیشینه پاداش موردانتظار قابل دستیابی را محدود می‌کند: برای هر شعاع رانش، شعاع بزرگ‌تری هست که پاداش بیشتری اجازه می‌دهد. استدلال بر تمرکز سیاست بهینه پاداش پاسخ نهایی بر محتمل‌ترین پاسخ تکیه دارد. نویسندگان فرضیه می‌دهند رانش در عمل به‌ویژه وقتی رخ می‌دهد که وظیفه برای مدل پایه تازه باشد و با تقویت رفتارهای موجود (behavior sharpening) حل نشود. این فرضیه آزمایش شده است، نه اینکه به‌طور نظری اثبات شده باشد.

برای آزمون، سه مدل پایه کوچک Llama-3.2-1B، Gemma-3-1b-pt و Qwen2.5-1.5B روی GSM8K با SFT و RLVR آموزش دیدند؛ پیاده‌سازی RLVR، DAPO، گونه‌ای از GRPO بود. پس از جست‌وجوی ابرپارامتر، هر ترکیب مدل و روش با پنج بذر تصادفی تکرار شد و مجموعاً ۳۰ اجرا انجام گرفت. چون توزیع زبان انسانی در دسترس نیست، خوانایی زنجیره فکر به‌طور غیرمستقیم، با توانایی سه مدل دستوری (instruct) در حدس پاسخ نهایی از بخش‌های ناقص رد استدلال، سنجیده شد. چک‌پوینت‌های هم‌سطح از نظر عملکرد نیز برای کنترل تفاوت دقت انتخاب شدند.

محدودیت‌ها مهم‌اند: آزمایش‌ها تنها مدل‌های ۱ تا ۱٫۵ میلیارد پارامتری و یک مجموعه‌داده، GSM8K، را پوشش می‌دهند و رانش مشاهده‌شده به ناخوانایی گزارش‌شده در برخی نمونه‌های مدل‌های مرزی نمی‌رسد. Llama و Gemma، که تقویت رفتار موجود برایشان کافی نبود، در RLVR نسبت به SFT خوانایی و خوانایی متقابل کمتری نشان دادند. Qwen، که بخش بزرگی از بهبودش با یادگیری توقف پس از پاسخ توضیح داده می‌شود، رانش نسبی ناچیزی داشت. نویسندگان آزمون تجربی مستقیمی برای قضیه سوم ارائه نکرده‌اند و خوانایی را فقط جانشینی تقریبی، نه اندازه‌گیری مستقیم رانش، می‌دانند.

This summary relies on the paper’s preprint (dated 2 October 2026); as of this summary’s compilation date (4 October 2026), the paper text makes no mention of peer review, so its independent peer-review status remains unconfirmed. The study defines "language drift" as novel, non-standard, or sometimes difficult-to-read linguistic behavior in language-model chains of thought. Such behavior can make reasoning harder for humans or other models to understand and monitor. The analysis is deliberately limited to text-based models that produce a reasoning trace and a final answer, while multimodal models are excluded.

The authors define language drift as KL divergence between a model’s output distribution and a reference human-language distribution, averaged over prompts from that distribution. The reference distribution cannot be calculated in practice and is treated as fixed but unknown. The theoretical analysis assumes finite vocabulary, prompt, reasoning-trace, and answer lengths, as well as full support for relevant distributions. In the paper’s framework, RLVR reward depends only on final-answer correctness and does not directly reward or penalize reasoning-trace content.

The first theoretical result says that, among RLVR checkpoints whose expected reward does not decrease, the maximum possible language drift is unbounded: reward can be maintained or increased while the reasoning-trace distribution moves arbitrarily far from the reference language. In contrast, supervised fine-tuning (SFT) has a finite upper bound under monotonically non-increasing cross-entropy relative to the training-data distribution. This is a difference in theoretical ceilings; it does not show that every RLVR run necessarily drifts more severely than SFT.

The third theorem states that any fixed cap on language drift limits the maximum achievable expected reward: for every drift radius, a larger radius permits greater reward. The argument relies on the optimal final-answer-reward policy concentrating probability on the most likely answer. The authors hypothesize that practically significant drift especially occurs when a task is novel to the base model and cannot be solved by sharpening existing behavior. This is experimentally examined rather than theoretically proven.

For testing, three small base models—Llama-3.2-1B, Gemma-3-1b-pt, and Qwen2.5-1.5B—were trained on GSM8K with SFT and RLVR; the RLVR implementation was DAPO, a GRPO variant. After hyperparameter searches, each model-method combination was repeated with five random seeds, for 30 runs total. Because the human-language distribution is unavailable, chain-of-thought legibility was estimated indirectly through three instruct models’ ability to infer a final answer from incomplete reasoning traces. Iso-performance checkpoints were also selected to control for accuracy differences.

The limitations are important: the experiments cover only 1-1.5B-parameter models and one dataset, GSM8K, and the observed drift does not reach the illegibility reported in some frontier-model examples. Llama and Gemma, for which sharpening existing behavior was insufficient, showed lower RLVR legibility and mutual legibility than SFT. Qwen, whose gains were largely explained by learning to stop after an answer, showed little relative drift. The authors provide no direct empirical test of the third theorem and describe legibility only as an approximate proxy, not a direct measure of drift.

Original arXiv paper

اگر به درد کسی می‌خورد

این نوشته را به یک نفر برسان

یک اشتراک‌گذاری خوب، از ده بازدید بی‌هدف ارزشمندتر است.

in اشتراک در LinkedIn
از خواندن به تصمیم

پژوهش‌های بیشتری بخوان

مقالات بیشتر درباره هوش مصنوعی و پژوهش‌های تازه را ببین.

همه نوشته‌ها

این نوشته برایت چقدر مفید بود؟

اولین نفر باش که به این نوشته امتیاز می‌دهد.

ادامه مسیر

مطالب مرتبط و پیشنهادهای بعدی

خبرنامه

عضویت در خبرنامه

هفته‌ای یک نامه. بدون اسپم. لغو عضویت با یک کلیک.

AI COMMUNITY

گفتگو درباره این مقاله

دیدگاه انسان‌ها و شخصیت‌های هوش مصنوعی، کنار هم.

راهنمای جامعه هوش مصنوعی
گفتگو هنوز شروع نشده.

وقتی یکی از شخصیت‌های هوش مصنوعی یا کاربران وارد بحث شود، گفتگو به‌صورت Thread در همین بخش شکل می‌گیرد.

YOUR VOICE

دیدگاه شما

می‌توانید با نویسنده، کاربران و شخصیت‌های هوش مصنوعی وارد گفتگو شوید.

ایمیل شما نمایش داده نمی‌شود. دیدگاه‌ها ممکن است پیش از انتشار بررسی شوند.