用代碼訓練大模型思考，其他方面的推理能力也能提升。

DeepSeek團隊最新研究，利用300多萬個實例，將代碼轉換成思考過程，構建出數(shù)據集CODEI/O，對Qwen、Llama等模型進行了訓練。

結果，在各種類型的推理任務當中，模型性能都取得了全面提升，包括在非代碼類的推理任務上，也展現(xiàn)出了良好的遷移能力。

研究團隊認為，在代碼當中暗含了不同類型場景的思考過程，于是想要把這種思考過程“提取”出來訓練推理模型。

他們生成了大量的訓練數(shù)據運行這些代碼，然后把代碼、輸入/輸出對以及功能描述輸入DeepSeek-V2.5，從而合成自然語言形式的推理過程。

在此基礎上，團隊還引入了驗證和修訂機制，形成了更高質量的CODEI/O++。

從代碼中構建思維鏈

首先，作者從CodeMix、PyEdu-R等數(shù)據集中收集了80多萬份代碼文件，涵蓋多種編程語言（以Python為主），任務類型多樣，并且蘊含了豐富的推理模式。

但是，由于原始代碼文件通常缺乏結構化，包含不相關的元素，難以以自包含的方式執(zhí)行，作者使用DeepSeek-V2.5模型對其進行預處理，將其轉換為統(tǒng)一的格式。

轉換過程中的工作主要包括把核心邏輯功能提取到函數(shù)中，添加總結整體邏輯的主入口函數(shù)，明確定義主入口函數(shù)的輸入/輸出，創(chuàng)建獨立的基于規(guī)則的輸入生成器函數(shù)，以及基于主入口函數(shù)生成簡明的問題陳述作為查詢等等。

接下來，在轉換后的每個函數(shù)上，使用輸入生成器采樣多個輸入，并通過執(zhí)行代碼獲得相應的輸出，從而收集輸入-輸出對。

這一過程中，部分代碼出現(xiàn)了超時、復雜度過高、不可執(zhí)行或結果不確定等情況，這部分代碼被作者跳過，最終生下了40多萬份代碼文檔，產生了350萬個樣本實例。

然后，作者利用DeepSeek-V2.5，將代碼、輸入輸出對、功能描述等信息合成為自然語言思維鏈（CoT），構建訓練樣本。

對于每一個輸入-輸出對，作者首先構建一個輸入提示。這個提示由幾個部分拼裝而成：

• 函數(shù)定義：即之前結構化和標準化后的Python函數(shù)代碼。
• 文本描述：用自然語言概括函數(shù)的功能和目的。
• 參考代碼：與函數(shù)定義類似，但可能包含一些額外的上下文信息或注釋。
• 輸入或輸出：根據是輸入預測還是輸出預測任務，提示中會包含具體的輸入或期望的輸出。

將構建好的提示輸入給DeepSeek-V2.5模型，模型會根據提示生成一段自然語言文本作為響應。

這段文本就是作者想要的推理過程——它需要解釋如何從給定的輸入推導出輸出，或者在給定輸出的情況下如何構造出滿足條件的輸入。

通過這種方式收集的數(shù)據集，就是CODEI/O。

在CODEI/O的基礎上，作者進一步利用了代碼的可執(zhí)行特性，合成了數(shù)據質量更高的CODEI/O++。

作者首先對CODEI/O中生成的所有響應通過重新執(zhí)行代碼進行正確性驗證。對于驗證為不正確的響應，作者將執(zhí)行反饋追加為第二輪輸入信息，并要求模型重新生成一個響應。

執(zhí)行反饋包括輸出預測的正誤、輸入預測基于錯誤輸入的執(zhí)行輸出，以及代碼執(zhí)行失敗的錯誤信息等。

在第二輪生成后，再次檢查新響應的正確性。

無論第二輪結果如何，最終的響應都由四個部分按順序構成：第一輪響應、第一輪反饋、第二輪響應和第二輪反饋。

對于第一輪就正確的響應，第一輪反饋簡單標記為“Success”，且沒有第二輪內容。

與CODEI/O一樣，所有修訂后的響應都會被保留。通過引入基于執(zhí)行反饋的多輪修正所構建的增強型數(shù)據集就是CODEI/O++。

數(shù)據集構建完成后，作者采用了兩階段訓練策略對相關模型進行訓練。

第一階段先用CODEI/O或CODEI/O++來訓練推理能力，然后再用通用指令數(shù)據集進行微調，教會模型遵循自然語言指令、執(zhí)行各種任務。

模型推理能力全面提升

為了評估CODEI/O或CODEI/O++的效果，作者一共找來了四個模型來進行測試，分別是Qwen 2.5-7B-Coder、Deepseek v2-Lite-Coder、Llama 3.1-8B和Gemma 2-27B。

測試過程中，作者共選用了10余個數(shù)據集，測試了模型常識、數(shù)學、代碼、物理、工程等領域的表現(xiàn)，具體數(shù)據集如下表：

CODEI/O訓練之后，Qwen-Coder在代碼理解任務上取得了突破性進展，并且在閱讀理解和推理任務（如DROP）上也有明顯提升，這表明通過代碼訓練獲得的推理能力確實遷移到了其他領域。

DeepSeek-Coder在CODEI/O的訓練下也展現(xiàn)出了均衡的進步，在各個維度上都實現(xiàn)了穩(wěn)定的改進。

Qwen-Coder和DeepSeek-Coder的表現(xiàn)說明，即使是已經在代碼領域有專門訓練的模型，也能從這種結構化的推理訓練中獲益。

Llama在LeetCode-O上的性能提升了將近150%，說明即使是參數(shù)量較小的模型，通過合適的訓練方法也能在特定任務上獲得較大提升。

而Gemma作為測試中最大的模型，展示了CODEI/O方法在大規(guī)模模型上的適用性，在多個關鍵領域取得了進步。

相比于數(shù)據量更大的WebInstruct（WI），CODEI/O整體上取得了更好的效果；而相對于專門為某種任務設計的OpenMathInstruct2（OMI2）、PyEdu等方式，CODEI/O體現(xiàn)了更強的通用性。

作者簡介

本文第一作者是來自上海交大的碩士生Junlong Li，目前在DeepSeek實習。

同時他還在香港科技大學助理教授何俊賢的指導下進行研究工作，何俊賢亦是本文的通訊作者。

此外參與了DeepSeek V2、V3以及R1研發(fā)的DeepSeek核心研究員、中山大學校友郭達雅也參與了這一項目。

論文地址：https://arxiv.org/abs/2502.07316
GitHub：https://github.com/hkust-nlp/CodeIO
數(shù)據集：https://huggingface.co/datasets/hkust-nlp/CodeIO-PyEdu-Reasoning