如今，DeepSeek團隊成員的一舉一動，都頗受圈內關注。

近日，來自DeepSeek、上海交通大學、香港科技大學的研究人員推出的全新力作CODEI/O，就獲得了Ai2大牛Nathan Lambert的力薦！

論文地址：https://arxiv.org/abs/2502.07316

項目主頁：https://codei-o.github.io/

Lambert表示，非常高興能看到DeepSeek團隊成員撰寫的更多論文，而不僅僅是有趣的技術報告。（順便還調侃了一句自己真的想他們了）

這篇論文的主題，是通過一種CodeI/O的方法，利用代碼輸入/輸出，來提煉LLM的推理模式。

值得注意的是，這篇論文是一作Junlong Li在DeepSeek實習期間完成的研究。

一經發(fā)布，網友們就立馬開始了仔細研究。畢竟，現(xiàn)在在研究人員心目中，DeepSeek已經是一個GOAT team。

有人總結道，除了主線論文之外，DeepSeek作者還發(fā)表了許多論文，比如Prover 1.0、 ESFT、Fire-Flyer AI-HPC、DreamCraft 3D等等，雖然都是實習生的工作，但十分具有啟發(fā)性。

LLM推理缺陷，靠代碼打破

推理，是LLM的一項核心能力。以往的研究主要關注的是數(shù)學或代碼等狹窄領域的提升，但在很多推理任務上，LLM依然面臨挑戰(zhàn)。

原因就在于，訓練數(shù)據稀疏且零散。

對此，研究團隊提出了一種全新方法——CODEI/O！

CODEI/O通過將代碼轉換為輸入/輸出預測格式，從而系統(tǒng)性地提煉出蘊含在代碼上下文中的多種推理模式。

研究團隊提出將原始代碼文件轉換成可執(zhí)行的函數(shù)，并設計一個更直接的任務：給定一個函數(shù)及其相應的文本查詢，模型需要以自然語言的CoT推理形式預測給定輸入的執(zhí)行輸出或給定輸出的可行輸入。

這種方法將核心推理流程從代碼特定的語法中解脫出來，同時保留邏輯的嚴謹性。通過收集和轉換來自不同來源的函數(shù)，生成的數(shù)據包含了各種基礎推理技能，如邏輯流程編排、狀態(tài)空間探索、遞歸分解和決策。

實驗結果表明，CODEI/O在符號推理、科學推理、邏輯推理、數(shù)學與數(shù)值推理以及常識推理等任務上均實現(xiàn)了一致的性能提升。

下圖1概述了CODEI/O的訓練數(shù)據構建流程。該流程從收集原始代碼文件開始，到組裝完整的訓練數(shù)據集結束。

分解CODEI/O架構

收集原始代碼文件

CODEI/O的有效性在于選擇多樣化的原始代碼來源，以涵蓋廣泛的推理模式。

主要的代碼來源包括：

• CodeMix：從內部代碼預訓練語料庫中檢索的大量原始Python代碼文件集合，經過篩選去除過于簡單或過于復雜的文件。
• PyEdu-R（推理）：Python-Edu的一個子集，側重于復雜的推理任務，如STEM、系統(tǒng)建?；蜻壿嬛i題，并排除以純算法為中心的文件。
• 其他高質量代碼文件：來自各種小型、信譽良好的來源，包括綜合算法存儲庫、具有挑戰(zhàn)性的數(shù)學問題和知名的在線編碼平臺。

合并這些來源后，總共產生了大約810.5K個代碼文件。

構造的LeetCode-O基準測試中的一個示例

轉換為統(tǒng)一格式

收集到的原始代碼文件往往結構混亂，含有冗余內容，并且難以獨立執(zhí)行。

使用DeepSeek-V2.5對原始代碼文件進行預處理，將其提煉成統(tǒng)一的格式，強調主要的邏輯功能，使其可執(zhí)行，以便收集輸入-輸出對。

研究團隊通過清理和重構代碼，將核心邏輯功能提取到函數(shù)中，排除不必要的元素，然后添加一個主要入口點函數(shù)，總結代碼的整體邏輯。

該函數(shù)可以調用其他函數(shù)或導入外部庫，并且必須具有非空的參數(shù)（輸入）以及返回有意義的輸出。所有輸入和輸出都需要是JSON可序列化的，以方便進一步處理。

過程中需明確定義主要入口點函數(shù)的輸入和輸出，包括數(shù)據類型、約束（例如，輸出范圍）或更復雜的要求（例如，字典中的鍵）等信息。

然后創(chuàng)建一個獨立的、基于規(guī)則的Python輸入生成器函數(shù)，而不是直接生成測試用例。此生成器返回遵循主要入口點函數(shù)要求的非平凡輸入。在約束條件下應用隨機性，實現(xiàn)可擴展的數(shù)據生成。

最后，根據主要入口點函數(shù)生成一個簡潔的問題陳述，作為描述代碼預期功能的查詢。

如何將原始代碼文件轉換為所需同一格式的示例

收集輸入和輸出對

在將收集的原始代碼文件轉換為統(tǒng)一格式后，使用輸入生成器為每個函數(shù)抽樣多個輸入，并通過執(zhí)行代碼獲得相應的輸出。

為了確保輸出是確定性的，會跳過所有包含隨機性的函數(shù)。在執(zhí)行這些代碼期間，研究團隊還會對運行時和輸入/輸出對象的復雜性施加一系列限制。

在過濾掉不可執(zhí)行的代碼、超過運行時限制的樣本以及超過所需復雜性的輸入-輸出對后，獲得了從454.9K個原始代碼文件派生的3.5M個實例。輸入和輸出預測實例的分布大致平衡，各占 50%。

構建輸入輸出預測樣本

收集輸入-輸出對以及轉換后的函數(shù)后，需要將它們組合成可訓練的格式。

研究團隊采用的有監(jiān)督微調過程，每個訓練樣本都需要一個提示和一個響應。由于目標是輸入-輸出預測任務，研究團隊使用設計的模板將函數(shù)、查詢、參考代碼以及特定的輸入或輸出組合起來構建提示。

理想情況下，響應應該是一個自然語言的CoT，用于推理如何得出正確的輸出或可行的輸入。

研究團隊主要通過以下兩種方式構建所需的CoT響應。

· 直接提示（CODEI/O）

使用DeepSeek-V2.5合成所有需要的響應，因為它具有頂級的性能，但成本極低。此處生成的數(shù)據集稱為 CODEI/O。

下圖2展示了CODEI/O數(shù)據集中輸入和輸出預測的2個示例，在這兩種情況下，模型都需要以自然語言的思維鏈 (CoT)形式給出推理過程。

· 充分利用代碼（CODEI/O++）

對于預測不正確的響應，將反饋作為第二輪輸入消息追加，并要求DeepSeek-V2.5重新生成另一個響應。將所有四個組件連接起來：第一輪響應+第一輪反饋+第二輪響應+第二輪反饋。研究人員將通過這種方式收集的數(shù)據集稱為CODEI/O++。

CODEI/O++中的一個完整訓練樣本

一個框架，彌合代碼推理與自然語言鴻溝

如下表1所示，主要展示了Qwen 2.5 7B Coder 、Deepseek v2 Lite Coder、LLaMA 3.1 8B、Gemma 2 27B模型的評估結果。

CODEI/O在各項基準測試中，模型的性能均實現(xiàn)了提升，其表現(xiàn)優(yōu)于單階段基線模型和其他數(shù)據集（即使是更大規(guī)模的數(shù)據集）。

不過，競爭數(shù)據集，比如OpenMathInstruct2在數(shù)學特定任務上表現(xiàn)出色，但在其他任務上有會出現(xiàn)退步（混合綠色和紅色單元格）。

CODEI/O展現(xiàn)出的是，持續(xù)改進的趨勢（綠色單元格）。

盡管其僅使用以代碼為中心的數(shù)據，在提升代碼推理能力同時，還增強了所有其他任務的表現(xiàn)。

研究人員還觀察到，與單階段基線相比，使用原始代碼文件（PythonEdu）進行訓練，只能帶來微小的改進，有時甚至會產生負面影響。

與CODEI/O相比表現(xiàn)明顯不足，這表明從這種結構性較差的數(shù)據中學習是次優(yōu)的。

這進一步強調了性能提升，不僅僅取決于數(shù)據規(guī)模，更重要的是經過深思熟慮設計的訓練任務。

這些任務包含了廣義思維鏈中多樣化、結構化的推理模式。

此外，CODEI/O++系統(tǒng)性地超越了CODEI/O，在不影響單個任務性能的情況下提高了平均分數(shù)。

這突顯了基于執(zhí)行反饋的多輪修訂，可以提升數(shù)據質量并增強跨領域推理能力。

最重要的是，CODEI/O和CODEI/O++都展現(xiàn)出了跨模型規(guī)模和架構的普遍有效性。

這進一步驗證了實驗的訓練方法（預測代碼輸入和輸出），使模型能夠在不犧牲專業(yè)基準性能的情況下，在各種推理任務中表現(xiàn)出色。

為了進一步研究，新方法中不同關鍵方面的影響，研究人員進行了多組分析實驗。

所有實驗均使用Qwen 2.5 Coder 7B模型進行，且報告的結果均為經過第二階段通用指令微調后獲得的結果。

消融實驗

研究團隊首先對數(shù)據構建過程進行了兩項關鍵的消融研究，結果如下表2所示。

輸入/輸出預測

作者通過分別訓練，來研究輸入和輸出預測。

結果顯示，總體得分相似，但輸入預測在KorBench上表現(xiàn)出色，同時略微影響了GPQA的表現(xiàn)；而輸出預測在BBH等符號推理任務上顯示出更大的優(yōu)勢。CRUXEval-I和-O分別偏向于輸入和輸出預測。

拒絕采樣

他們還探索了使用拒絕采樣來過濾不正確響應的方法，這導致50%的訓練數(shù)據被刪除。然而，這造成了普遍的性能下降，表明可能損失了數(shù)據的多樣性。

作者還嘗試通過代碼執(zhí)行將所有不正確的響應，替換為正確答案（不包含思維鏈）。

這種方法在LeetCode-O和CRUXEval-O等設計用于衡量輸出預測準確性的基準測試上，確實帶來了改進，但在其他方面降低了分數(shù)，導致平均性能下降。

當將這兩種方法與訓練在樣本數(shù)量相當?shù)腃ODEI/O約50%子集上進行比較時，它們仍然沒有顯示出優(yōu)勢。

因此，為了保持性能平衡，研究人員在主要實驗中保留了所有不正確的響應，不做任何修改。

不同合成模型的效果

為了研究不同綜合模型的效果，作者使用DeepSeek-V2.5重新生成了350萬條WebInstruct數(shù)據集的響應，創(chuàng)建了一個更新的數(shù)據集，稱為WebInstruct-DS25。

如圖3所示，雖然WebInstruct-DS25在Qwen 2.5 Coder 7B和LLaMA 3.1 8B上，表現(xiàn)優(yōu)于原始數(shù)據集，但仍然不及CODEI/O。

這突顯了代碼中多樣化推理模式的價值，以及訓練中任務選擇的重要性。

總的來說，這個比較表明，預測代碼的輸入和輸出能夠提升推理能力，而不僅僅是從高級模型中進行知識蒸餾。

CODEI/O的Scaling效應

研究人員還評估了CODEI/O在不同訓練數(shù)據量下的表現(xiàn)。

通過隨機抽樣訓練實例，圖4a揭示了一個明顯的趨勢：增加訓練樣本數(shù)量，通常會導致各項基準測試的性能提升。

具體來說，使用最少量的數(shù)據在大多數(shù)基準測試中表現(xiàn)相對較弱，因為模型缺乏足夠的訓練來有效泛化。

相比之下，在完整數(shù)據集上訓練時，CODEI/O實現(xiàn)了最全面和穩(wěn)健的性能。

中等數(shù)量的數(shù)據產生的結果介于這兩個極端之間，隨著訓練樣本的增加表現(xiàn)出逐步改善。這突顯了CODEI/O在提升推理能力方面的可擴展性和有效性。

此外，他們還在輸入-輸出對的維度上進行了數(shù)據scaling，方法是固定并使用所有唯一的原始代碼樣本，但改變每個樣本的輸入-輸出預測實例數(shù)量。

圖4b顯示了，使用的I/O對相對于完整集合的比例。

雖然scaling效應不如訓練樣本明顯，但仍可以觀察到明顯的益處，特別是在從1/6增加到6/6時。

這表明，某些推理模型需要多個測試用例，才能完全捕獲和學習其復雜的邏輯流程。

不同的數(shù)據格式

這一部分，主要研究了如何在訓練樣本中最佳安排查詢、參考代碼和思維鏈（CoT）。

如表3所示，將查詢和參考代碼放在提示中，而將思維鏈放在響應中，可以在各項基準測試中實現(xiàn)最高的平均分數(shù)和最平衡的性能。

其他格式的結果顯示出，略低但相當?shù)男阅?，最差的結果出現(xiàn)在查詢放在提示中，而參考代碼放在響應中的情況。

這類似于標準的代碼生成任務，但訓練樣本要少得多。

這突顯了思維鏈和測試用例的規(guī)模對于學習可遷移推理能力的重要性。

多輪迭代

基于CODEI/O（無修訂）和CODEI/O++（單輪修訂），研究人員將修訂擴展到第二輪，通過對第一輪修訂后仍然不正確的實例，重新生成預測來評估進一步的改進。

如下圖7中，可視化了每一輪中響應類型的分布。

結果顯示，大多數(shù)正確的響應都在初始輪中預測出來，約10%的錯誤響應在第一輪修訂中得到糾正。

然而，第二輪產生的糾正顯著減少，通過檢查案例作者發(fā)現(xiàn)模型經常重復相同的錯誤CoT，而沒有添加新的有用信息。

在整合多輪修訂后，他們在圖5中觀察到從第0輪到第1輪有持續(xù)的改進，但從第1輪到第2輪的收益很小——對LLaMA 3.1 8B顯示出輕微改進，但對Qwen 2.5 Coder 7B反而出現(xiàn)了性能下降。

因此，在主要的實驗中，研究人員停留在了單輪修訂，即CODEI/O++。

兩階段訓練的必要性

最后，研究人員通過測試單階段混合訓練和不同數(shù)據混合的兩階段訓練，強調了使用CODEI/O數(shù)據進行單獨訓練階段的必要性。

如表4所示，所有兩階段變體模型的表現(xiàn)都優(yōu)于單階段訓練。

同時，兩階段訓練期間混合數(shù)據的效果在不同模型間有所不同。

對于Qwen 2.5 Coder 7B，最好的結果是將CODEI/O和指令微調數(shù)據完全分開，而LLaMA 3.1 8B在混合數(shù)據的情況下表現(xiàn)更好，無論是在第一階段還是第二階段。

論文作者

Junlong Li

Junlong Li是上交計算機科學專業(yè)的三年級碩士生，師從Hai Zhao教授。

此前，他于2022年在上交IEEE試點班獲得計算機科學學士學位。

他曾在微軟亞洲研究院（MSRA）NLC組擔任研究實習生，在Lei Cui博士的指導下，參與了多個與Document AI相關的研究課題，包括網頁理解和文檔圖像基礎模型。

2023年5月至2024年2月期間，他與GAIR的Pengfei Liu教授緊密合作，主要研究LLMs的評估與對齊等方面的問題。

目前，他在Junxian He教授的指導下從事相關研究。

Daya Guo

Daya Guo在中山大學和微軟亞洲研究院聯(lián)合培養(yǎng)下攻讀博士學位，并由Jian Yin教授和Ming Zhou博士共同指導。目前在DeepSeek擔任研究員。

2014年到2018年，他在中山大學取得計算機科學學士學位。2017年到2023年，他曾在微軟亞洲研究院擔任研究實習生。

他的研究主要聚焦于自然語言處理和代碼智能，旨在使計算機能夠智能地處理、理解和生成自然語言與編程語言。長期研究目標是推動AGI的發(fā)展，從而徹底改變計算機與人類的交互方式，并提升其處理復雜任務的能力。

目前，他的研究方向包括：（1）大語言模型（Large Language Model）；（2）代碼智能（Code Intelligence）。

Runxin Xu（許潤昕）

Runxin Xu是DeepSeek的研究科學家，曾深度參與DeepSeek系列模型的開發(fā)，包括DeepSeek-R1、DeepSeek V1/V2/V3、DeepSeek Math、DeepSeek Coder、DeepSeek MoE等。

此前，他在北京大學信息科學技術學院獲得碩士學位，由Baobao Chang博士和Zhifang Sui博士指導，并在上海交通大學完成本科學業(yè)。

他的研究興趣主要聚焦于AGI，致力于通過可擴展和高效的方法不斷推進AI智能的邊界。

Yu Wu（吳俁）

Yu Wu目前是DeepSeek技術人員，負責領導LLM對齊團隊。

他曾深度參與了DeepSeek系列模型的開發(fā)，包括DeepSeek V1、V2、V3、R1、DeepSeek Coder和DeepSeek Math。

在此之前，他曾在微軟亞洲研究院（MSRA）自然語言計算組任高級研究員。

他獲得了北京航空航天大學的學士學位和博士學位，師從Ming Zhou和Zhoujun Li教授。

他本人的研究生涯取得了諸多成就，包括在ACL、EMNLP、NeurIPS、AAAI、IJCAI和ICML等頂級會議和期刊上發(fā)表了80多篇論文。

他還發(fā)布了多個具有影響力的開源模型，包括WavLM、VALL-E、DeepSeek Coder、DeepSeek V3和DeepSeek R1。

Junxian He（何俊賢）

Junxian He現(xiàn)任香港科技大學計算機科學與工程系助理教授（終身教職）。

他于2022年在卡內基梅隆大學語言技術研究所獲得博士學位，由Graham Neubig和Taylor Berg-Kirkpatrick共同指導。他還于2017年獲得上海交通大學電子工程學士學位。

此前，Junxian He還曾在Facebook AI研究院（2019年）和Salesforce研究院（2020年）工作過一段時間。