完整教程：【COT】PromptCoT 2.0少样本训练 CoT

《PromptCoT 2.0》详解：少样本下如何构建与训练 CoT

字节与港大提出的PromptCoT 2.0，在少样本、无强教师、无人工标注条件下，高效生成高质量 CoT（Chain-of-Thought）数据并训练模型。

---

1. 核心目标与动机

传统 CoT 依赖人工标注的“问题-推理链-答案”三元组，但：

• 人工成本高：Olympiad 数学/竞赛编程题稀缺且昂贵；
• 合成资料太简单：现有方法生成的问题难度低、多样性差；
• 强教师不可得：SFT 应该更强模型蒸馏，但最强模型往往是闭源的。

“人类策划的数据集成本高昂且有限，而现有的合成语料库往往过于便捷或狭窄（human-curated datasets are costly and limited, while existing synthetic corpora are often too easy or narrow）。”

PromptCoT 2.0 的目标是：仅用开源问题冷启动，自动生成高难度、高多样性的 CoT 数据，用于训练任意规模的 LLM。

---

2. 素材构造：EM 驱动的 CoT 合成（核心创新）

PromptCoT 2.0 将 CoT 合成建模为概念（c）→ 理由（z）→ 问题（x）的生成过程，其中z 即 CoT（rationale）。整个流程分为两阶段：

2.1 冷启动初始化（Cold-start Initialization）

输入：开源问题（如 AoPS 数学题、Codeforces 编程题）。

步骤：

1. 概念提取：用 4 个强模型（Qwen2.5-32B/72B, Llama-3.1-70B, phi-4）为每个障碍标注基础概念。

   “识别{num concepts}个基础概念……是标准课程中教授的核心概念，精确且可衡量。”
   示例（数学题）：

   • 问题：“求 2019⁸ + 1 的最小奇素因子”
   • 概念：["模运算", "费马小定理", "素数性质", "指数同余"]

2. 理由生成（CoT 生成）：用同样模型生成反向工程式 CoT。

   “展示如何将给定基础概念自然组合成指定难度的问题……另一位教师遵循这些步骤能复现相同问题。”
   示例（简化）：

   • 2019 模 p 的阶；因此 p ≡ 1 (mod 16)；最后枚举满足条件的最小奇素数。”就是理由（CoT）：“首先，利用费马小定理分析 aᵖ⁻¹ ≡ 1 (mod p)；其次，设 p 为奇素因子，则 2019⁸ ≡ -1 (mod p)；两边平方得 2019¹⁶ ≡ 1 (mod p)，故 16

输出：种子数据集(c, z, x)，用于初始化两个模型：

• 理由生成模型$q_{\varphi }(z|c,x)$：给定概念和问题，生成 CoT。
• 问题生成模型$p_{\theta }(z,x|c)$：给定概念，生成 CoT 和障碍。

【关键点】：冷启动不需要人工标注，仅用开源问题 + 多模型投票即可获得高质量初始 CoT。

2.2 EM 优化：奖励函数的定义、计算与分数来源（重点详解）

PromptCoT 2.0 的核心是Expectation–Maximization (EM)框架，其目标是联合优化理由生成模型$q_{\varphi }$与疑问生成模型$p_{\theta }$。该过程严格遵循变分推断的 ELBO（Evidence Lower Bound）理论。

（1）理论基础：ELBO 与奖励函数的来源

最大化观测数据的对数似然就是目标$\log p_{\theta }(x|c)$。由于直接优化困难，引入变分分布$q_{\varphi }(z|c,x)$，得到 ELBO：

$$\log p_{\theta }(x|c)\ge {\mathbb{E}}_{q_{\varphi }(z|c,x)}[\log p_{\theta }(z,x|c)]-\mathrm{KL}(q_{\varphi }(z|c,x)\parallel p_{\theta }(z|c))$$

• E-step：固定 $p_{\theta }$，更新 $q_{\varphi }$以最小化 KL 散度。最优解为：
  $$q_{\varphi }^{\star }(z|c,x)\propto p_{\theta }(z,x|c)=p_{\theta }(x|z,c)p_{\theta }(z|c)$$
  → 奖励函数的理论来源就是这正。

• M-step：固定 $q_{\varphi }$，更新 $p_{\theta }$以最大化期望联合对数似然：
  $${\mathbb{E}}_{q_{\varphi }(z|c,x)}[\log p_{\theta }(z,x|c)]$$

（2）奖励函数的定义与计算（回答问题1）

在 E-step 中，为从$q_{\varphi }(z|c,x)$采样的候选 CoT$z$ 打分，使用奖励函数：

$$R(c,x,z)=\log p_{\theta }(x|z,c)+\log p_{\theta }(z|c)$$

“奖励与联合对数似然成正比：它们必须 align with the concepts while also being predictive of valid prompts（奖励与联合对数似然成正比：它们必须与概念对齐，同时能预测有效问题）。”

分数是怎么算出来的？

• $\log p_{\theta }(z|c)$：问题生成模型$p_{\theta }$ 在给定概念 $c$下生成 CoT$z$ 的对数概率；
• $\log p_{\theta }(x|z,c)$：$p_{\theta }$ 在给定 $z$ 和 $c$下生成原问题$x$ 的对数概率。

实际操作（§5.4.1）：

1. 对每个 $(c,x)$，从 $q_{\varphi }(z|c,x)$采样 8 个候选 CoT；
2. 对每个候选 $z_i$，用当前 $p_{\theta }$计算其 token-level 的对数似然（即语言模型的标准 log-prob）；
3. 将两部分 log-prob 相加，得到总奖励$R(c,x,z_i)$；
4. 选择奖励最高的$z^{\ast }$作为“伪标签”，用于监督微调$q_{\varphi }$。

因此，分数完全来自语言模型$p_{\theta }$ 对序列 $(z,x)$ 的概率估计，无需外部打分器。

（3）优化方式：如何更新模型

• E-step（更新$q_{\varphi }$）：

  • 将 $(c,x,z^{\ast })$视为监督信号；
  • 对 $q_{\varphi }$ 进行 监督微调（SFT），使其更倾向于生成高奖励 CoT。
  • 训练细节（§5.4.1）：学习率$2\times 10^{-6}$，batch size 16，温度 1.0。

• M-step（更新$p_{\theta }$）：

  • 使用当前 $q_{\varphi }$确定性解码（温度 0.0）生成 CoT$z$；
  • 在 $(c,z,x)$ 三元组上对 $p_{\theta }$进行标准语言建模训练，最大化$\log p_{\theta }(z,x|c)$。
  • 训练细节：学习率 $2\times 10^{-6}$，batch size 16。

“在 E-step 中，理由生成模型通过强化学习更新，奖励定义为……在 M-step 中，问题生成模型使用 Eq. 4 的目标进行训练。”

（4）交替优化的意义

• E-step：让 CoT 更好地“解释”概念并“预测”问题；
• M-step：让困难生成模型更忠实地“重建”CoT 和障碍；
• 循环往复：CoT 质量提升 → 问题难度提升 → CoT 需更精细 → ……

“交替这两个步骤，逐步改进$q_{\varphi }$ 和 $p_{\theta }$，形成一个迭代循环：理由指导挑战构建，问题合成反过来促进更有用理由的发现。”

【关键结论】：奖励函数不是人为设计的启发式规则，而是 ELBO 理论下最优变分分布的对数形式，确保了优化方向的正确性。

---

3. 训练方法：两种少样本 CoT 训练范式

合成 CoT 后，PromptCoT 2.0 支持两种训练模式，适配不同规模模型：

3.1 自博弈（Self-Play）——适用于强模型（如 Qwen3-30B）

适用场景：模型已有较强推理能力，但缺乏更强教师蒸馏。

流程：

1. 模型在合成问题上生成多个解答（rollouts）。
2. 用自动验证信号给出二元奖励：
   $$u(x,y)=\{\begin{array}{ll}1& \text{解答正确}\\ 0& \text{否则}\end{array}$$
3. 用 DPO优化模型，无需更强教师。

“学习由自动可验证反馈引导，而非依赖外部轨迹（learning is guided by automatically verifiable feedback rather than relying on external traces）。”

问题2：自动验证信号是什么？
根据 §5.4.2，自动验证信号具体为：

• 数学题否就是：生成的答案精确匹配通过 8 次 majority voting得到的参考答案（boxed answer）；
• 编程题：生成的代码是否依据所有单元测试（3–4 个由 Qwen3-32B 自动生成的 test cases）。

“For mathematics, 30,435 prompts were synthesized using PromptCoT 2.0 and paired with a final boxed answer obtained via majority voting over 8 generations from Qwen3-30B… For programming, each synthesized prompt was paired with 3–4 automatically generated unit tests using Qwen3-32B.”

因此，自动验证信号 = 客观、可程序化判断的正确性指标，不依赖人工或 LLM 打分。

输入数据是什么？
自博弈的输入是合成的问题（prompts），每个问题具备：

• 自然语言问题描述；
• （编程题）3–4 个自动生成的单元测试；
• （数学题）一个通过 8 次 majority voting 获得的参考答案。

DPO 是让模型学会给出正确答案吗？
是的，但更精确地说，是让模型学会“偏好正确答案”。
DPO 的输入是一对样本：

• 正样本：模型生成的、通过验证的解答（$u=1$）；
• 负样本：模型生成的、未通过验证的解答（$u=0$）。

DPO 的目标函数为：
$${\mathcal{L}}_{\text{DPO}}=-\log \sigma \left(\beta \left[\log \frac{{\pi }_{\theta }(y^{+}|x)}{{\pi }_{\text{ref}}(y^{+}|x)}-\log \frac{{\pi }_{\theta }(y^{-}|x)}{{\pi }_{\text{ref}}(y^{-}|x)}\right]\right)$$
其中 ${\pi }_{\theta }$是当前策略，${\pi }_{\text{ref}}$是参考模型。

效果：模型学会 在相同难题下，更倾向于生成通过验证的解答。

3.2 监督微调（SFT）——适用于弱模型（如 Qwen2.5-7B）

适用场景：模型推理能力较弱，需显式 CoT 指导。

流程：

1. 用强教师模型（GPT-OSS-120B）为合成难题生成完整 CoT。
2. 学生模型在 (问题, CoT)对上进行 SFT。

“确保即使是较弱的模型也能通过显式的轨迹级监督，高效受益于 PromptCoT 2.0。”

---

4. 实验验证：少样本 CoT 的有效性

4.1 Self-Play（Qwen3-30B）

方法	AIME 24	AIME 25	HMMT 25	LiveCodeBench v5
Baseline	87.7	85.0	71.4	68.1
PromptCoT 2.0	92.1(+4.4)	89.8(+4.8)	76.7(+5.3)	74.2(+6.1)

4.2 SFT（Qwen2.5-7B，仅用合成数据）

方法	AIME 24	AIME 25	LiveCodeBench v5
Baseline	12.8	8.0	14.7
PromptCoT 2.0	73.1	65.6	53.4

“仅用合成提示训练的模型，超越了用人类或混合素材训练的模型。”

4.3 消融实验（SFT，7B 模型）

变体	AIME 24	Codeforces
Full	73.1	1815
– Cold-start	72.1 (-1.0)	1677 (-138)
– EM	69.8 (-3.3)	1592 (-223)

“移除 EM 优化阶段导致最大性能下降，证明迭代优化 CoT 是成功的核心。”

---

5. 个人评价与建议

【我认为，PromptCoT 2.0 是少样本 CoT 领域的里程碑工作，但在以下方面仍有改进空间：】

1. 冷启动依赖强模型：必须 4 个 30B+ 模型做标注，对资源有限团队不友好。【我认为，行用模型集成蒸馏（如用多个 7B 模型投票）替代单一大模型，降低成本。】

2. EM 收敛性未分析：论文未讨论 EM 是否收敛到全局最优。【我认为，可引入课程学习（Curriculum Learning），从简单 CoT 开始逐步增加难度，稳定训练过程。】

3. 验证信号局限：仅支持有明确验证标准的任务（如数学、编程）。【我认为，可结合LLM-as-a-Judge（如用 Reward Model 打分）扩展到开放域推理任务。】

4. 未探索多跳 CoT：当前 CoT 多为单路径推理。【我认为，可引入图结构 CoT，承受多分支、多跳推理，更贴近人类思维。

总体而言，PromptCoT 2.0 通过EM 优化 + 自动验证 + 两种训练范式，为少样本 CoT 提供了一套完整、可扩展的解决方案，值得在工业界广泛采用。