在大语言模型的竞争中，数学和代码推理能力已成为一项重要的评估标准。快手最近发布的 Klear-Reasoner 模型基于 Qwen3-8B-Base 打造，其在多个
Klear-Reasoner 的成功源于其采用的 GPPO（Gradient-PreservingClippingPolicyOptimization） 算法。这种算法在保证训练稳定性的同时，显著提升了模型的探索能力。传统的裁剪策略虽然能控制模型的更新幅度，确保训练过程的稳定性，但也存在着 「丢弃重要信息」 的问题，导致模型变得保守。而 GPPO 则通过一种 「温和」 的方式，让所有梯度参与反向传播，既保留了探索的可能性，又加快了模型对错误的修正速度。
在各类基准测试中，Klear-Reasoner 都展现出超越其他同规模开源模型的强劲实力。例如，在 AIME2024 测试中，该模型取得了 90.5% 的高分，而在 AIME2025 测试中，也达到了 83.2% 的优秀成绩。Klear 团队还分享了其训练的详细流程，包括对数据质量的重视、在高难样本中保留错误的策略、使用软奖励来提高模型的学习效率等关键环节。
值得注意的是，Klear 团队在实验中发现，优质数据源的质量往往比数量更为重要。在 SFT 阶段，通过过滤错误数据并专注于高质量样本，可以提升模型的训练效率。此外，团队还指出在强化学习阶段，使用软奖励策略比硬奖励更为有效，能够增强模型的学习稳定性。
Klear-Reasoner 的发布不仅展示了快手在 AI 领域的技术进步，也为推理模型的训练提供了一条可复现的道路。这一成果为未来的研究和开发提供了宝贵的经验和启示。
-
HuggingFace 地址:https://huggingface.co/Suu/Klear-Reasoner-8B
-
GitHub 地址:https://github.com/suu990901/KlearReasoner/tree/main
划重点:
🌟Klear-Reasoner 模型在数学推理准确率上突破 90%，成为 8B 模型中的领军者。
🧠GPPO 算法提升了模型的探索能力，解决了传统裁剪策略的隐性问题。
📈关注数据质量和训练策略，Klear 团队的研究为推理模型提供了有效的训练方法。
