快手 Klear-Reasoner 是一款基于 Qwen3-8B-Base 架构的开源推理模型，专注于提升数学和代码推理能力，通过创新的训练方法和算法在多个基准测试中取得了卓越成绩。
一、主要功能
1.1 数学推理 Klear-Reasoner 在数学推理方面表现出色，能够高效解决高难度的数学竞赛题目。在 AIME2024 测试中，该模型以 90.5% 的准确率刷新了 8B 参数模型的记录，在 AIME2025 测试中也达到了 83.2% 的准确率。这种能力使其能够处理复杂的代数运算、几何证明和组合数学等问题。
1.2 代码生成与推理 该模型在代码生成和调试方面也展现了强大的能力。在 LiveCodeBench V5 和 V6 测试中，分别实现了 66.0% 和 58.1% 的准确率。它能够生成语法正确的代码，并理解复杂的问题需求，提供符合逻辑的解决方案。
1.3 长思维链处理 Klear-Reasoner 能够处理复杂的长思维链任务，支持长达 32K tokens 的训练上下文和 64K tokens 的推理上下文。这种能力使其可以保持连贯的思维链条，不会因信息截断而丢失关键推理步骤。
1.4 数据质量优化 在训练过程中，Klear-Reasoner 优先选择高质量数据源，并保留部分错误样本以提升模型的探索能力。团队采用严格去重和 9-gram 过滤等方法，确保数据的纯净性。
二、技术原理
2.1 长思维链监督微调（long CoT SFT） 通过精选少数高质量数据源进行监督微调，确保模型准确学习到正确的推理模式。同时，适当保留部分错误样本，增强模型的探索能力。
2.2 强化学习（RL）机制 引入基于软奖励机制的强化学习策略，根据测试用例通过率给予奖励，有效缓解了传统硬奖励机制带来的奖励稀疏性问题。
2.3 GPPO（Gradient-Preserving Clipping Policy Optimization）算法 GPPO 是 Klear-Reasoner 最核心的技术创新。它通过保留被裁剪的梯度信息，解决了传统方法中高熵探索信号丢失和负样本收敛慢的问题。具体而言，GPPO 对于超出裁剪阈值的高熵 token，保留其梯度但约束更新幅度；对于次优轨迹的 token，同样保留梯度并限制更新幅度。
2.4 软奖励机制 在代码任务处理中采用软奖励策略，根据测试用例的实际表现提供更密集的训练信号，显著降低了梯度估计的方差，使模型的学习过程更加稳定和高效。
三、应用场景
3.1 教育领域 作为智能数学辅导工具，为学习者提供详细的解题步骤和推理过程解析，帮助学生深入理解数学知识。
3.2 软件开发 可自动生成高质量代码片段，辅助开发者快速实现功能模块，并提供专业的代码审查建议，提高整体开发效率和代码质量。
3.3 金融科技 用于金融数据分析、风险评估和预测等任务，为金融机构的决策过程提供强大的逻辑推理支持。
3.4 科研与数据分析 能够高效处理复杂的数据分析和科学计算任务，为研究人员提供可靠的推理支持和模型解释，显著提升科研效率。
3.5 智能客服系统 在解决用户复杂问题时表现出色，通过清晰的推理过程展示，极大提升了用户体验和问题解决效率。
四、使用方法 Klear-Reasoner 的相关资源可通过以下链接获取：
-
HuggingFace 模型库：https://huggingface.co/Suu/Klear-Reasoner-8B
五、适用人群
-
研究人员：在人工智能、机器学习等领域进行研究，探索模型的性能和应用。
-
开发者：在软件开发中需要代码生成、调试和优化工具的开发者。
-
教育工作者：用于开发智能教育工具，辅助数学教学。
-
金融分析师：在金融数据分析和风险评估中需要高效推理工具的专业人士。
-
科研人员：在复杂数据分析和科学计算中需要推理支持的研究人员。
六、优缺点介绍
优点
-
卓越的推理能力：在数学和代码推理任务中表现出色，准确率高。
-
创新的训练方法：采用 GPPO 算法，解决了传统方法中的问题，提升了模型的探索能力和收敛速度。
-
长上下文处理能力：支持长思维链任务，能够处理复杂的多步推理。
-
开源性：完全公开训练细节与流程，为研究社区提供了可复现的高性能推理模型构建方案。
一种3D虚拟试衣技术，它通过使用高斯散射（3DGS）作为3D表示，实现了从2D虚拟试衣模型到3D空间的知识转移，同时提高了跨视图的一致性。