Klear-Reasoner

Klear-Reasoner – 快手开源的推理模型

Klear-Reasoner，快手推出的基于Qwen3-8B-Base的强大推理模型，在数学与代码领域展现出卓越的洞察力。其核心创新在于GPPO算法，它巧妙地保留了被裁剪的梯度信息，有效解决了传统方法中探索受限与负样本收敛迟缓的难题。通过长思维链监督微调（long CoT SFT）与强化学习（RL）的深度融合，Klear-Reasoner在AIME和LiveCodeBench等权威基准测试中，为8B模型树立了新的标杆。该模型的训练细节与完整流程已公开，为推理模型的研究与复现提供了宝贵的参考路径。

Klear-Reasoner：洞悉数学与代码的智能引擎

Klear-Reasoner是由快手精心打造的一款先进推理模型，其根基稳固于Qwen3-8B-Base，并专注于在数算和代码理解两大关键领域实现能力飞跃。模型通过精妙的长思维链监督微调（long CoT SFT）以及强化学习（RL）的联合训练，核心的突破性技术在于其独创的GPPO算法。这一算法通过革新性的梯度处理方式，保留了本应被裁剪的梯度信息，从而有效地克服了传统模型在探索未知领域时的能力局限，以及在面对负面样本时收敛缓慢的顽疾。在AIME数学竞赛和LiveCodeBench代码评测等严苛的基准测试中，Klear-Reasoner已然达到了8B模型级别中的顶尖水准。更重要的是，Klear-Reasoner的训练过程及其全套流程已完全对外公开，为整个推理模型领域的发展贡献了重要的参考价值与可复现的研究路径。

Klear-Reasoner的核心能力概览

• 精湛的数学推理能力：Klear-Reasoner在解析和解决复杂的数学难题方面表现非凡，能够应对高难度的数学竞赛题目，展现出强大的逻辑推演实力。
• 卓越的代码生成与解析：该模型能够生成高质量的代码片段，并在LiveCodeBench V5和V6的评测中分别取得了66.0%和58.1%的优异准确率，充分证明了其在代码理解和生成方面的深厚功底。
• 驾驭长思维链的智慧：Klear-Reasoner能够高效处理需要多步逻辑推演的长思维链任务，通过长思维链监督微调（long CoT SFT）和强化学习（RL）的训练，显著提升了模型在复杂多步推理场景下的表现。
• 精益求精的数据优化策略：在模型训练过程中，Klear-Reasoner严格筛选高质量的数据源，确保模型能够学习到最精准的推理模式。同时，它巧妙地保留了一部分错误样本，这反过来增强了模型的探索能力，使其在面对未知挑战时更加游刃有余。

Klear-Reasoner背后的技术驱动力

• 长思维链监督微调（long CoT SFT）：通过引入高质量的监督数据进行微调，Klear-Reasoner得以学习到精确的推理模式。模型优先选取少数精挑细选的高质量数据源，有效规避了低质量数据可能带来的噪声干扰。值得一提的是，模型还特意保留了部分错误样本，尤其是在处理高难度任务时，这些样本能够显著激发模型的探索潜能。
• 强化学习（RL）的深度赋能：为了进一步打磨模型的推理能力，特别是在数学和代码这两个关键领域，模型引入了强化学习机制。它采用了软奖励机制，根据测试用例的通过情况而非简单的对错来给予奖励，这有效缓解了奖励稀疏的问题，提升了训练效率。同时，模型还会对存在问题的测试用例进行过滤，以保证训练数据的纯净度与高质量。
• GPPO（Gradient-Preserving Clipping Policy Optimization）算法：在传统的PPO和GRPO算法中，裁剪操作（clip）会无情地丢弃高熵（high-entropy）token的梯度，这极大地限制了模型的探索边界，并导致负样本的收敛过程异常缓慢。GPPO算法则开创性地引入了stop gradient操作，将裁剪操作与梯度反向传播过程解耦，确保了所有token的梯度都能被保留。对于高熵token，GPPO在保留其梯度的同时，将其约束在一个合理的范围内。而对于负样本token，GPPO同样保留其梯度，并加以适度的限制，从而显著加快了错误修正的速度。
• 软奖励机制的优势：在代码任务的强化学习训练中，相较于硬奖励（完全通过则得分，否则为零）而言，软奖励机制（根据测试用例的通过率给予奖励）展现出更佳的效能。这种机制能够有效缓解奖励信号的稀疏性问题，增加训练信号的密度，降低梯度估计的方差，使得模型的学习过程更加平稳且高效。

Klear-Reasoner的资源获取途径

• GitHub代码库：https://github.com/suu990901/KlearReasoner/
• HuggingFace模型库：https://huggingface.co/Suu/Klear-Reasoner-8B
• arXiv技术论文：https://arxiv.org/pdf/2508.07629

Klear-Reasoner的广泛应用前景

• 教育领域的智慧助力：作为一款智能的数学辅导工具，Klear-Reasoner能够为学生提供详尽的解题步骤与推理过程，帮助用户更深入地理解和掌握数学知识。
• 赋能软件开发的效率：该模型能够自动生成高质量的代码片段，极大地辅助开发者快速构建功能模块，同时还能提供代码审查建议，从而提升代码的整体质量和开发效率。
• 金融科技领域的精准决策：在金融领域，Klear-Reasoner能够对海量金融数据进行深度分析，辅助风险评估与预测，为金融机构提供强有力的逻辑推理支持，助力更明智的决策制定。
• 科研与数据分析的加速器：Klear-Reasoner能够高效处理复杂的数据分析与科学计算任务，为研究人员提供宝贵的逻辑推理和模型解释，显著提高科研工作的效率。
• 智能客服的卓越体验：在智能客服场景下，Klear-Reasoner能够快速准确地解答用户提出的复杂问题，并清晰地展示推理过程，从而大幅提升用户体验和问题解决的效率。